一文搞懂 PyTorch 中的 torch.nn模块 ！！

前言

在深度学习领域，PyTorch是一个非常流行的框架，而 torch.nn 模块是PyTorch中用于构建神经网络的核心模块。

一、什么是 torch.nn 模块

torch.nn 模块是PyTorch中专门用于构建和训练神经网络的模块。它提供了一系列的类和函数，帮助我们轻松地定义和操作神经网络。无论是简单的线性回归模型，还是复杂的卷积神经网络（CNN），都可以使用 torch.nn 模块来实现。

二、基本组件

1、nn.Module

nn.Module 是所有神经网络模块的基类。我们可以通过继承 nn.Module 来定义自己神经网络，每个 nn.Module 都包含两个主要方法：

• **init：**在这里定义网络的层和参数。
• **forward：**定义前向传播的过程。

2、常见的层

torch.nn 提供了许多常见的神经网络层，例如：

• **nn.Linear：**全连接层（线性层）。
• **nn.conv2d：**二维卷积层。
• **nn.ReLU：**激活函数（ReLU）。
• **nn.MaxPool2d：**二维最大池化层。

3、损失函数

损失函数用于衡量模型的预测结果与真实结果之间的差距。torch.nn提供了多种损失函数，例如：

• **nn.MSELoss：**均方误差损失，用于回归任务。
• **nn.CrossEntropyLoss：**交叉熵损失，用于分类任务。

4、优化器

优化器用于更新模型的参数，以最小化损失函数。PyTorch提供了多种优化器，例如：

• **optim.SGD：**随机梯度下降优化器。
• **optim.Adam：**Adam优化器。

三、示例：构建一个简单的神经网络

让我们通过一个简单的示例来了解如何使用 torch.nn 模块构建一个神经网络。假设我们要构建一个用于手写数字识别的神经网络。

代码语言：javascript

代码运行次数：0

运行

AI代码解释

import torch
import torch.nn as nn
import torch.optim as optim

# 定义神经网络
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(28 * 28, 128)  # 输入层到隐藏层
        self.fc2 = nn.Linear(128, 10)       # 隐藏层到输出层

    def forward(self, x):
        x = x.view(-1, 28 * 28)  # 展平输入
        x = torch.relu(self.fc1(x))  # 激活函数ReLU
        x = self.fc2(x)
        return x

# 创建模型实例
model = SimpleNN()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 示例输入
input = torch.randn(1, 28, 28)  # 随机生成一个28x28的输入
output = model(input)  # 前向传播
loss = criterion(output, torch.tensor([3]))  # 假设真实标签为3

# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()

print("输出：", output)
print("损失：", loss.item())

四、深入理解 torch.nn 模块

1、自定义层

除了使用 torch.nn 提供的现成层，我们还可以定义自己的层。例如，我们可以定义一个自定义的线性层：

代码语言：javascript

代码运行次数：0

运行

AI代码解释

class CustomLinear(nn.Module):
    def __init__(self, in_features, out_features):
        super(CustomLinear, self).__init__()
        self.weight = nn.Parameter(torch.randn(out_features, in_features))
        self.bias = nn.Parameter(torch.randn(out_features))

    def forward(self, x):
        return torch.matmul(x, self.weight.t()) + self.bias

2、模型的保存和加载

在训练完模型后，我们通常需要保存模型的参数，以便在以后使用。PyTorch 提供了简单的方法来保存和加载模型

代码语言：javascript

代码运行次数：0

运行

AI代码解释

# 保存模型
torch.save(model.state_dict(), 'model.pth')

# 加载模型
model = SimpleNN()
model.load_state_dict(torch.load('model.pth'))
model.eval()  # 切换到评估模式

3、使用GPU加速

深度学习模型通常需要大量的计算资源。我们可以使用 GPU 来加速训练过程。PyTorch 提供了简单的方法来将模型和数据移动到 GPU 上：

代码语言：javascript

代码运行次数：0

运行

AI代码解释

# 检查是否有可用的 GPU
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 将模型移动到 GPU
model.to(device)

# 将数据移动到 GPU
input = input.to(device)
cript
# 检查是否有可用的 GPU
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 将模型移动到 GPU
model.to(device)

# 将数据移动到 GPU
input = input.to(device)

零基础如何高效学习大模型？

你是否懂 AI，是否具备利用大模型去开发应用能力，是否能够对大模型进行调优，将会是决定自己职业前景的重要参数。

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和鲁为民博士系统梳理大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！