PyTorch学习笔记（5）--神经网络基本骨架nn.Module的使用

最新推荐文章于 2025-02-19 09:42:34 发布
最新推荐文章于 2025-02-19 09:42:34 发布
阅读量1.3k 收藏 8
点赞数 3
分类专栏： PyTorch学习笔记 文章标签： python pytorch 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_43981621/article/details/119722401
版权

PyTorch学习笔记（5）–神经网络基本骨架nn.Module的使用

    本博文是PyTorch的学习笔记，第5次内容记录，主要介绍神经网络基本骨架nn.Module的基本使用。

目录

1.nn.Module是什么

    torcn.nn是专门为神经网络设计的模块化接口. nn构建于autograd之上，可以用来定义和运行神经网络。
    nn.Module是nn中十分重要的类，包含网络各层的定义及forward方法，在用户自定义神经网络时，需要继承自nn.Module类。
    在PyTorch官网中有关于torch.nn的详细情况介绍：torch.nn模块介绍。
    具体情况如下图所示：
在这里插入图片描述
在这里插入图片描述

2.nn.Module的使用

2.1nn.Module的基本结构

    在官网中，详细介绍了nn.Module的基本结构，现以containers为例，详细代码入下：

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

class Model(nn.Module):
最低0.47元/天 解锁文章
【小土堆】Pytorch学习笔记_P16/17_nn.Module的使用、土堆说卷积
qq_40979183的博客
03-27 675
​ # 课程链接 PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】_哔哩哔哩_bilibili # 笔记内容 （1）P16_神经网络的基本骨架-nn.Moudle的使用 ​
Pytorch入门学习笔记（三）—— 神经网络
tryflyhigh的博客
04-22 1773
本文结合小土堆的教学视频进行学习。
【学习笔记】【Pytorch】六、nn.Module的使用
qq_45772756的博客
01-13 1242
一、**torch.nn**模块概述 **概述**：帮助程序员方便执行与神经网络相关的行为。 二、**nn.Module**类的使用 **概述**：所有神经网络模块的基类，既可以表示神经网络中的某个层(layer)，也可以表示一个包含很多层的神经网络。
神经网络的基本骨架nn.Module的使用
高处不胜寒
07-22 466
import torch from torch import nn class NnModule(nn.Module): def __init__(self): super().__init__() def forward(self,input): output=input+1 return output nnmodule=NnModule() # torch.tensor是一个包含多个同类数据类型数据的多维矩阵。 x=torch.ten.
神经网络的基本骨架—nn.Module使用
gxyqn626的博客
02-20 1192
神经网络的基本骨架—nn.Module使用
深度学习（六）——神经网络的基本骨架：nn.Module的使用
2401_85325519的博客
06-14 1332
**Module**：对于**所有**神经网络提供一个基本的骨架，一般定义一个神经网络用如下代码。其中，_Model_代表模型的名称，_nn.Module_就是继承了这个类的模板。然后我们先用`__init__`初始化，其中`super(Model,self).__init__()`指的是对父类进行初始化，后面的部分是根据自己构建的神经网络个性化定制的。之后我们使用`forword`函数对输入数据进行计算，也可以这么理解：对于一个神经网络，_首先输入数据-->使用forword函数计算数据-->输出数据
【Pytorch】神经网络的基本骨架-nn.Module的使用 - 学习笔记
FelicityXu的博客
02-08 511
视频地址 终于开始用torch写神经网络啦！ 主要用到了python API中的torch.nn Container：骨架，对神经网络定义了一些结构，在结构中添加一些内容就可以实现我们的神经网络 后面都是需要往骨架当中填充的东西，比如卷积层、池化层、padding层balabala~ 点开container看看 其中最常用的是Module，我们再点开看看里面的案例： 我们继承了nn.module这个父类（模板），而对于不满意的部分我们可以自己再进行修改，如果module是玩具赛车，这两个def定义
小土堆pytorch学习笔记 之神经网络基本骨架
qq_51574420的博客
09-11 1701
TIP]首先来补补一些图像处理的基础知识吧！（尊嘟是 0 基础了）关于图片格式。
PyTorch深度学习快速入门教程【小土堆】详细学习笔记（第12-22个视频笔记）
zly19980718的博客
11-11 1352
关于Sequential的讲解（找不到Sequential可以打开这个网址：https://pytorch.org/docs/stable/generated/torch.nn.Sequential.html#torch.nn.Sequential）。关于神经网络的工具，主要在torch.nn里面（找不到torch.nn可以打开这个网址：https://pytorch.org/docs/stable/nn.html）。打开PyTorch官网（https://pytorch.org/），进入官方文档。
【学习笔记】神经网络的基本骨架— nn.Module的使用
weixin_48323483的博客
01-24 727
可以将nn.Module看作一个 玩具赛车，如果想要改造它，就定义两个函数（__init__和forward）return F.relu(self.conv2(x)) #又一次卷积，一次非线性处理。x = F.relu(self.conv1(x)) #一次卷积，一次非线性处理。super().__init__() #必须要写，意思父类也要调用初始化函数。class Model(nn.Module): #Model继承nn.Module这个父类。相当于对其进行修改。
PyCharm入门学习笔记（三）神经网络的基本骨架torch.nn
shendaiyan的博客
07-18 1973
卷积神经网络（CNN）应用于计算机视觉领域，特征提取方法，任务：图像的分类和检索。GPU图像处理单元：GPU做卷积比CPU快得多卷积网络与传统神经网络区别：数据二维->三维。
神经网络基本骨架、结构的原理及使用
m0_51311105的博客
01-26 1496
目录 神经骨架的使用 基本神经结构的使用 神经骨架的使用 首先我们进官网进行相关信息的查询： container（相当于一个骨架）之中有六个模块，最常用的是module模块，因为对所有神经网络提供了一个最基本的类。 根据module的介绍，我们知道自己创建的model也需要继承该类 。 from torch import nn class Model(nn.Module): def __init__(self): supe...
nn模块
sunjingsujing的博客
01-09 373
https://blog.csdn.net/e01528/article/details/84397174
pytorch教程之nn.Module类详解——使用Module类来自定义网络层
热门推荐
MIss-Y的博客
06-16 10万+
前言：前面介绍了如何自定义一个模型——通过继承nn.Module类来实现，在__init__构造函数中申明各个层的定义，在forward中实现层之间的连接关系，实际上就是前向传播的过程。 事实上，在pytorch里面自定义层也是通过继承自nn.Module类来实现的，我前面说过，pytorch里面一般是没有层的概念，层也是当成一个模型来处理的，这里和keras是不一样的。前面...
nn.Module介绍(一)
wulele2的博客
01-11 1万+
目录 文章目录目录前言一、构造一个极简网络二、使用步骤1.引入库2.读入数据总结 前言 一、构造一个极简网络 import torch import torch.nn as nn from collections.abc import Iterable, Iterator class Net(nn.Module): def __init__(self): super(Net, self).__init__() def forward(self,x):
神经网络骨架搭建及卷积
悠眠小虫的博客
01-12 1122
本部分主要是对卷积神经网络的骨架搭建流程以及卷积相关操作进行说明。
Pytorch nn.Module详解
fydw_715的博客
02-19 1500
torch.nn.Module 是 PyTorch 中所有神经网络模块的基类，提供了构建神经网络模型的基本框架。通过继承 nn.Module，可以方便地创建自定义的神经网络模块，实现复杂的神经网络结构。下面详细介绍 nn.Module 的核心概念、使用方法和注意事项。
20.nn.Module
weixin_44846755的博客
07-30 812
龙良曲PyTorch学习框架：nn.Module
nn.Module基本框架(附代码)
一路平安，别困在这十万大山！
11-22 1277
nn.Module基本框架 创建神经网络有一个统一的模板,如下所示 第一步 导入需要的包 import torch import torch.nn as nn 第二步 创建神经网络 class GSW(nn.Module): def __init__(self): super(GSW, self).__init__() def forward(self, input): output = input + 1 return outp
pytorch笔记
最新发布
05-20
### PyTorch 学习笔记与技术总结 PyTorch 是一个功能强大的开源机器学习框架，广泛应用于深度学习领域。以下是关于 PyTorch 的一些核心知识点和技术总结： #### 1. 环境配置 在开始使用 PyTorch 前，需完成必要的环境配置工作。这通常包括安装 Python、设置 GPU 支持以及导入所需的依赖项[^2]。 #### 2. 数据加载与处理 PyTorch 提供了灵活的数据加载方式，主要包括 `torch.utils.data.Dataset` 和 `torch.utils.data.DataLoader` 这两个库函数。通过这些工具可以高效地管理数据的组织形式和批量加载过程[^2]。 #### 3. 可视化工具 为了更好地监控模型训练的过程，PyTorch 集成了 TensorBoard 工具。该工具能够实时绘制损失曲线、显示权重分布以及其他重要指标，从而帮助开发者调整超参数并优化性能[^2]。 #### 4. 构建神经网络 构建神经网络是 PyTorch 中的核心部分之一。以下是一些常用的模块及其作用： - **基本骨架**: 使用 `nn.Module` 类定义自定义网络结构。 - **卷积操作**: 利用 `torch.nn.functional` 实现动态卷积计算。 - **卷积层**: 调用 `torch.nn.Conv2d` 创建二维卷积层。 - **池化层**: 应用 `torch.nn.MaxPool2d` 执行最大池化操作。 - **填充层**: 设置边界扩展策略以控制特征图大小变化。 - **非线性激活函数**: 如 ReLU (`torch.nn.ReLU`) 或 Sigmoid (`torch.nn.Sigmoid`)。 - **全连接层**: 即线性变换层，可通过 `torch.nn.Linear` 来实现。 - **序列容器**: 将多个层按顺序组合起来形成完整的网络架构，推荐使用 `torch.nn.Sequential`。 #### 5. 设备分配原则 对于大规模计算任务而言，合理安排 CPU 和 GPU 上的任务至关重要。一般情况下会将数据读取及预处理阶段留在 CPU 上执行；而涉及大量矩阵乘法等密集型运算则交由 GPU 处理，以此达到最大化硬件效能的目的[^3]。 #### 6. 模型评估与保存 经过充分训练后的模型可以通过测试集来验证其泛化能力，并最终导出为可部署的形式以便实际应用中调用。常用方法有 `.eval()` 方法切换至推理模式以及 `torch.save(model.state_dict(), PATH)` 函数持久化模型状态字典[^2]。 ```python import torch from torch import nn class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc = nn.Linear(10, 1) def forward(self, x): return torch.sigmoid(self.fc(x)) model = SimpleNet() print(model) ``` 以上代码片段展示了一个简单的前馈神经网络实例，其中包含了输入维度为 10 输出维度为 1 的单隐藏层感知机模型定义[^2]。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值