pytorch学习笔记-入门-定义网络

#!/usr/bin/env python

coding: utf-8

In[1]:

get_ipython().magic(u’matplotlib’)

神经网络的典型训练过程如下：

1：定义包含一些参数（或者权重）的神经网络模型

2：在数据集上迭代，

3：通过神经网络处理输入

4：计算损失，输出值和正确值的插值大小

5：将梯度反向传播会回网络的参数

6：更新网络的参数，主要使用如下的更新原则：weight = weight - learning_rate * gradient

# 定义网络

In[2]:

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

class Net(nn.Module): #继承父类，nn.Module类
def init(self): #初始化函数
super(Net,self).init() #继承nn.Model类的初始化函数
# 1 input image channel, 6 output channels, 5x5 square convolution
# kernel 网络核心
self.conv1 = nn.Conv2d(1,6,5) # in_channels, out_channels, kernel_size（int or tuple）
self.conv2 = nn.Conv2d(6,16,5)
# an affine operation: y = Wx + b ，映射函数
self.fc1 = nn.Linear(1655,120)
self.fc2 = nn.Linear(120,84)
self.fc3 = nn.Linear(84,10)

def forward(self,x):
    # 最大池（2,2）窗口
    x = F.m