【第三章:神经网络原理详解与Pytorch入门】02.深度学习框架PyTorch入门-(4)Pytorch实战

第三章: 神经网络原理详解与Pytorch入门

第二部分：深度学习框架PyTorch入门

第四节：Pytorch模型构建

内容：如何搭建复杂网络以及如何修改模型与保存

---

一、构建复杂神经网络结构

在 PyTorch 中，构建复杂模型通常通过继承 nn.Module 类，分模块组织层与前向传播逻辑。

示例：自定义一个卷积神经网络（CNN）

import torch.nn as nn
import torch.nn.functional as F

class ComplexCNN(nn.Module):
    def __init__(self):
        super(ComplexCNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3, padding=1)   # 输入通道1，输出通道32
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)  # 池化层
        self.dropout = nn.Dropout(0.25)
        self.fc1 = nn.Linear(64 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))  # 输出: [batch, 32, 14, 14]
        x = self.pool(F.relu(self.conv2(x)))  # 输出: [batch, 64, 7, 7]
        x = x.view(-1, 64 * 7 * 7)            # Flatten
        x = F.relu(self.fc1(x))
        x = self.dropout(x)
        x = self.fc2(x)
        return x

使用 .view() 或 torch.flatten() 将多维张量展开为全连接输入

---

二、动态修改模型结构

在模型训练或实验过程中，我们可能希望替换已有层或添加额外层。

修改已有层

model = ComplexCNN()
model.fc2 = nn.Linear(128, 5)  # 将输出从10类改为5类

添加额外层

from collections import OrderedDict

new_layers = nn.Sequential(OrderedDict([
    ('fc1', nn.Linear(64 * 7 * 7, 256)),
    ('relu1', nn.ReLU()),
    ('fc2', nn.Linear(256, 128)),
    ('relu2', nn.ReLU()),
    ('fc3', nn.Linear(128, 10))
]))
model.classifier = new_layers  # 动态赋值新的子模块

有些大型网络可使用 model.children() 和 model.named_modules() 逐层迭代替换

---

三、模型保存与加载

1. 保存模型参数（推荐方式）

torch.save(model.state_dict(), 'model_weights.pth')

加载时：

model = ComplexCNN()
model.load_state_dict(torch.load('model_weights.pth'))
model.eval()

使用 .eval() 切换到推理模式（如关闭 Dropout）

---

2. 保存整个模型（包含结构）

torch.save(model, 'model_full.pth')

加载时：

model = torch.load('model_full.pth')
model.eval()

保存结构的方式依赖 Python 解释器，建议用于快速调试或模型冻结导出场景

---

四、训练完整流程回顾

model = ComplexCNN()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()

for epoch in range(epochs):
    model.train()
    for batch in dataloader:
        inputs, labels = batch
        outputs = model(inputs)
        loss = criterion(outputs, labels)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

---

总结

主题	内容
自定义模型	继承 nn.Module 实现结构和前向逻辑
层结构修改	使用 .fc = 替换层，或构建 nn.Sequential 组合新层
模型保存推荐方式	使用 state_dict() 保存权重，更稳定且通用
模型加载	load_state_dict() 加载权重并 .eval() 进入推理状态