Pytorch官方教程学习笔记3：搭建一个神经网络

神经网络由执行数据操作的层/模块组成。torch.nn命名空间提供了构建神经网络所需的所有基础模块。PyTorch中的每个模块都是nn.Module的子类。神经网络本身也是一个模块，由其他模块（层）组成。这样的嵌套结构可以轻松地构建和管理复杂的网络架构。

在接下来的部分中，我们将构建一个神经网络，用于对FashionMNIST数据集中的图像进行分类。

代码引用头文件如下：

import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

获取训练设备

我们希望能够在 GPU 或 MPS 等硬件加速器上训练模型（如果可用）。请最好安装GPU版本的pytorch，因为GPU可将一个长达一小时的训练缩短至一分钟以内。以下代码用于检查 torch.cuda 或 torch.backends.mps 是否可用，若不可用将使用 CPU。

device = (
    "cuda"
    if torch.cuda.is_available()
    else "mps"
    if torch.backends.mps.is_available()
    else "cpu"
)
print(f"Using {device} device")

定义类

我们通过继承 nn.Module 来定义神经网络，并在 __init__ 方法中初始化神经网络的层。每个 nn.Module 子类都在 forward 方法中实现对输入数据的操作。

class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()  # 调用父类 nn.Module 的构造函数
        self.flatten = nn.Flatten()  # 定义一个将输入展平（从二维28x28转为一维784）的层
        # 定义一个顺序容器，包含一系列线性层和ReLU激活函数
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),  # 第一层：将784维的输入映射到512维
            nn.ReLU(),              # 激活函数：ReLU
            nn.Linear(512, 512),    # 第二层：将512维的输入映射到512维
            nn.ReLU(),              # 激活函数：ReLU
            nn.Linear(512, 10),     # 输出层：将512维的输入映射到10维（对应分类任务的10个类别）
        )

    def forward(self, x):
        x = self.flatten(x)  # 将输入 x 展平为一维
        logits = self.linear_relu_stack(x)  # 将展平后的输入传入线性+ReLU堆栈，得到logits
        return logits  # 返回分类结果（未经过Softmax处理的logits）

接下来从面向对象的角度讲解这段代码：

类与继承

在 Python 面向对象编程中，类是创建对象的蓝图。我们可以通过定义类来封装数据和行为。在这段代码中：

• NeuralNetwork 是一个子类，它继承了 nn.Module（PyTorch 中所有神经网络模型的基类）。继承意味着 NeuralNetwork 可以使用 nn.Module 的方法和属性。
• 通过继承 nn.Module，NeuralNetwork 获得了 PyTorch 中的一些基础功能，比如模块的初始化、参数管理、模型保存和加载等。调用 super().__init__() 就是为了初始化父类 nn.Module 的功能。

总结：继承帮助 NeuralNetwork 类复用了 nn.Module 的功能，使得我们可以专注于实现特定的神经网络结构。

封装

封装 是面向对象的一个核心思想，它允许类将数据（属性）和行为（方法）包装在一起，并对外部隐藏实现细节。__init__ 和 forward 方法都是封装的一部分。

• __init__ 方法：构造函数，用于初始化对象。在这里，我们在构造函数中定义了模型的结构（例如 self.flatten</