python与pytroch相关

1.pytroch模型类

        PyTorch 是一个易学且清晰明了的深度学习库。本节讲解如何查看一个模型的结构。 首先，最简单创建模型的方式如下：

#导入必要的库
import torch.nn as nn
myNet=nn.Sequential(
    nn.Linear(2,10),#第一层（全连接层）：接受两个输入特征，输出10个特征
    nn.ReLU(),#对第一层的输出进行非线性变换，增加网络的表达能力,对第一层的输出进行非线性变换，增加网络的表达能力
    nn.Linear(10,1)#将ReLU层的10个输出特征映射到1个输出特征
    nn.Sigmoid()#将第二层的输出转换为0到1之间的值，常用于二分类问题中将输出转换为概率。
)

一般来说，PyTorch 的模型都会定义成一个类，然后在主函数中直接实例化这个类。比如类是设计图，实例化就是按照这个设 计图做出来的实物。

#导入必要的库
import torch
import torch.nn as nn
import torch.nn.functional as F #torch.nn.functional 包含了一些函数式的接口，可以用来构建自定义的前向传播。
#开始定义模型类
class Network(nn.Module):#定义了一个名为 Network 的新类，它继承自 nn.Module。nn.Module 是PyTorch中所有神经网络模块的基类
    def __init __(self):#这行代码调用了父类 nn.Module 的构造函数。
    super(Network,self). __init __()#定义了一个名为 dis 的 nn.Sequential 模型
    self.dis=nn.Sequential(
        nn.Linear(2,32),#nn.Sequential 是一个容器，它按照它们在构造器中传递的顺序执行模块
        nn.LeakyReLU(0.2),#这是一种改进的ReLU函数，它允许负输入有一个小的非零输出，这有助于解决梯度消失问题。参数 0.2 指定了负斜率
        nn.Linear(32,32),
        nn.LeakyReLU(0.2),
        nn.Linear(32,1),
        nn.Sigmoid()#这是一个将输出值压缩到0和1之间的激活函数，通常用于二分类问题的输出层
    )
    #模型包含三个全连接层（nn.Linear）和两个 LeakyReLU 激活函数，最后是一个 Sigmoid 激活函数。每个 nn.Linear 层都指定了输入和输出的特征数量。
    def forward(self,x):
    #forward 方法定义了数据通过模型的前向传播路径。在这个方法中，输入数据 x 通过 dis 序列模型进行处理，然后返回处理后的结果
        x=self.dis(x)
        return x
    #梯度消失（Vanishing Gradients）是深度学习中常见的一个问题，特别是在训练深层神经网络时。这个问题指的是在反向传播过程中，梯度（误差的导数）随着层数的增加而迅速减小
    # 最终变得非常接近于零。当梯度非常小的时候，权重的更新也会非常小，导致网络学习速度极慢，甚至完全停止学习。

下面是一个标准的pytroch模型的定义：

#导入必要的库
import torch 
import torch.nn as nn
import torch.nn.functional as F
#开始定义模型类
class Network(nn.Module):## 开始定义模型类
class Network(nn.Module):
    def __init __(self):
    super(Network,self). init__()#__init__ 方法在创建类的新实例时被调用
    self.dis=nn.Sequential(#这里创建了一个 nn.Sequential 容器，它按照它们在构造器中被添加的顺序执行每个模块
        nn.Linear(2,32),#nn.Linear(2, 32) 创建了一个全连接层，它将输入的2维向量转换为32维的向量
        nn.LeakyReLU(0.2),#创建了一个LeakyReLU激活函数，它允许小的梯度值通过，参数0.2是负斜率。
        nn.Linear(32,32),
        nn.LeakReLU(0.2),
        nn.Linear(32,1),#nn.Linear(32, 1) 创建了一个全连接层，它将32维的向量转换为1维的向量。
        nn.Sigmoid()#nn.Sigmoid() 添加了一个Sigmoid激活函数，它将输出值压缩到0和1之间，通常用于二分类问题中。
    )
def forward(self,x):
    x=self.dis(x)
    return x
#在神经网络中，激活函数是用来增加网络的非线性特性的。没有激活函数，即使网络有很多层
# 它也只是一个简单的线性变换，无法解决复杂的非线性问题。

(1)必须要继承 nn.Module 。 所以假设在阅读一个新的PyTorch  编写的代码时，只需要找到nn.Module,  就可以知道代码中定义模型的地方了。

#实例化网络
Net=vetwor1()

该模型本质上就是一个函数， 一个映射关系，输入数据时可以根据这个函数关系计算出输出数据。现在创建一些输入数据

#创建一些数据
input=torch.FloatTensor(5,2)
print(input)

输入数据

output=net(input)

在实例化网络时:net=Network(),这个过程调用了Network  类中的__init_函数。

(2)在网络接收到输入数据input 时，实际上是调用了Network 类中的 forward 函数， 也可以说调用了net 这个实例的forward 函数；forward 函数中的x 其实就是输入数据 input,forward 函数return 回来的值就是 output 值。

class Network(nn.Module)
    def __init __(self):
    super(Network,self). __init__()
    self.dis1=nn.Sequential(
        nn.Linear(2,32),
        nn.LeakyReLU(0.2),
        nn.Linear(32,32),
        nn.LeakyReLU(0.2)
    )
    self.dis2=nn.Sequential(
        nn.Linear(16,1),
        nn.Sigmoid()
    )
    def forwar