从0开始深度学习（18）——层和块_深度学习输入输出层-优快云博客

本文链接：https://blog.youkuaiyun.com/m0_53115174/article/details/143187009

1 层和块

1.1层

层是神经网络的基本组成单位。每一层由多个神经元（或单元）组成，这些神经元在前一层的输出上执行某种计算，并将结果传递给下一层。根据功能，层可以分为以下几种类型：

输入层（Input Layer）：接收外部数据并将其传递给网络。
隐藏层（Hidden Layer）：位于输入层和输出层之间，执行特征提取和表示学习。深度学习模型通常包含多个隐藏层。
输出层（Output Layer）：生成最终的输出，例如分类结果或预测值。

1.2 块

块通常指的是一组层的组合，具有特定功能或结构，能够执行某种复杂的操作或特征提取。块的设计目的是为了重用和组织模型的部分。例如：

卷积块（Convolutional Block）：通常包括卷积层、激活函数和归一化层的组合。
残差块（Residual Block）：包含跳跃连接（skip connections），可以帮助模型训练更深的网络。
循环块（Recurrent Block）：包含一个或多个循环层（如LSTM或GRU），用于处理序列数据。

1.3 以多层感知机为例

在这里插入图片描述
多个层组合成块，然后块又与块组合形成更大的模型。

从编程的角度来看，块由类（class）表示。它的任何子类都必须定义一个将其输入转换为输出的前向传播函数，并且必须存储任何必需的参数。注意，有些块不需要任何参数。最后，为了计算梯度，块必须具有反向传播函数。

2 自定义块

在实现我们自定义块之前，我们简要总结一下每个块必须提供的基本功能：

将输入数据作为其前向传播函数的参数。
通过前向传播函数来生成输出。请注意，输出的形状可能与输入的形状不同。
计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。
存储和访问前向传播计算所需的参数。
根据需要初始化模型参数。

在下面的代码片段中，我们从零开始编写一个块。它包含一个多层感知机，其具有256个隐藏单元的隐藏层和一个10维输出层。

自定义的MLP 类继承自 nn.Module，这是 PyTorch 中所有神经网络模块的基类，通过继承 nn.Module，可以利用 PyTorch 提供的很多功能，如参数管理和自动求导。

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

class MLP(nn.Module):
    def __init__(self):# 类的构造函数，用于初始化网络结构。
        super().__init__() # 调用父类的构造函数，确保父类 nn.Module 得到正确初始化。
        self.hidden=nn.Linear(20,256)
        self.out=nn.Linear(256,10)

    def forward(self,x):
        a=self.hidden(x)
        re=self.out(F.relu(a))
        return re