Pytorch（二）定义卷积神经网络

个人认为神经网络的的搭建代码虽然很简单，但是确实最为重要的一部分。话不多说，开始介绍。

神经网络的定义其实很简单，就是两部分，这个是基本的套路。

1）_init_() 初始化网络，定义网络的一些参数，以及他的层结构

2）forward() 定义层结构之间的关系

可能没太看明白，没关系看了代码你就会很清晰了

 

小demo:

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

class Net(nn.Module):  #所有的模型都是Module的子类，都继承了他
    def __init__(self):  #类中定义的函数都有个参数self
        super(Net,self).__init__()
        self.conv1=nn.Conv2d(3,6,5) 
 #定义了一个卷积层，三个参数分别代表，输入的通道数，输出的#通道数（也就是过滤器的个数），还有过滤器的大小
        self.pool=nn.MaxPool2d(2,2)  #定义一个池化层，两个参数分别代表过滤器的大小和步长
        self.conv2=nn.Conv2d(6,16,5)
        self.fc1=nn.Linear(16*5*5,120) #定义一个全连接层
        self.fc2=nn.Linear(120,84)
        self.fc3=nn.Linear(84,10)

    def forward(self,x): #定义各个层之间的关系
        x=self.pool(F.relu(self.conv1(x))) #F.relu（）是非线性激活函数
        x=self.pool(F.relu(self.conv2(x)))
        x=x.view(-1,16*5*5) 
#x.view（）是将数据展开在进入全连接层之前对数据进行处理，第一个参数-1表示这个参数由其他的参数决定，比如知道矩阵的总元素个数还有他的列数你就会知道他的行数，第二个参#数是全连接层的输入
        x=F.relu(self.fc1(x))
        x=F.relu(self.fc2(x))
        x=self.fc3(x)
        return x
#实例化，创建一个网络
net=Net()
print net

参考官方的文档你会发现在torch.nn这个模块中也有非线性激活函数，然而在上述代码中我们使用的是torch.nn.functinal 中的激活函数。二者的区别：

torch.nn中的激活函数是使用类定义的

torch.nn.functional中的激活函数是普通的def() 定义的函数。

如果我们需要保存每一步激活的数据的话，需要学习参数的话就需要使用torch.nn中的激活函数，其他情况下二者没有什么区别。

刚开始这块我没太明白，在一个同学的帮助下，得到了解决。

下边是他给我的解答过程。

通过类定义的对象在训练的过程里边是一直保留着的，里边的参数可以跟随学习调整，达到优化的目的，函数的话每次运算只留下运算结果，里边的参数不会记住这次运算的情况，不会变化，再调用都是一样的效果，里边不会有可以学习的参数。

比如那个卷积层，卷积核的参数保存在对象里，对象不销毁，里边的变量就一直保留在内存里，你可以迭代一次，就在之前的基础上更新下他们，函数的话，调用的时候即使修改了里边的变量，也留不下来，下次再调用跟上次没关系

 

 

加油，当你看到我的博客的时候，相信你一定在努力成为最好的自己的路上！

加油，别放弃，坚持，每天一点点，相信一年后的你一定会感谢现在的你！

如果你真的迷茫了，我愿当你的倾听者，但是你千万不能放弃，因为改变命运的机会真的不多呀！

QQ小号:1817780086