Pytorch 之 nn

最新推荐文章于 2025-05-13 15:28:55 发布
最新推荐文章于 2025-05-13 15:28:55 发布
阅读量333 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： python 深度学习 pytorch
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/zhanly19/article/details/99852191

一、先介绍一下nn.Mudule

当学习到神经网络这一模块的时候，就经常出现 nn.Module，实际上这个是习以为常的叫法,具体的：torch.nn 是一个包，这个包里面有Module类，一般我们把 torch.nn 别称为：as nn,故引用Module类的时候就用的nn.Module，神经网络所有模型的构建都是从nn.Module这个基类继承的。

二、torch.nn ：

神经网络所用到的所有层结构和损失函数都来自于torch.nn这个包

卷积层：nn.Conv2（）
池化层：nn.MaxPool2d（）
激活函数层：nn.ReLU()、nn.CrossEntropyLoss（）
标准化处理层：nn.BatchNorm2d（）
线性层：nn.Linear（）

三、分清楚Module和Conv2（）、ReLU()、BatchNorm2d（）等

他们都在torch.nn这个包里面，但是Module是个类，Conv2（）、ReLU()、BatchNorm2d（）是个方法，因此调用的时候 Module需要重写，Conv2（）、ReLU()、BatchNorm2d（）需要传入参数调用。
Pytorch中 nn.Transformer的使用详解与Transformer的黑盒讲解
iioSnail的博客
07-28 9万+
1. Transformer的训练过程讲解 2. Transformer的推理过程讲解 3. Transformer的入参和出参讲解 4. nn.Transformer的各个参数讲解 5. nn.Transformer的mask机制详解 6. 实战：使用nn.Transformer训练一个copy任务。
Pytorch（笔记8神经网络nn）
zsy54577的博客
07-11 1684
torch.nn是专门为深度学习而设计的模块。torch.nn的核心数据结构是Module，它是一个抽象的概念，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。在实际使用中，最常见的做法是继承nn.Module，从而编写自己的网络/层。下面先来看看如何用nn.Module实现自己的全连接层。
pytorch torch.nn
yjinyyzyq的博客
04-18 421
文章目录nn 目录 nn 目录 ├── backends │   ├── backend.py │   ├── init.py │   ├── pycache │   │   ├── backend.cpython-36.pyc │   │   ├── ini...
PyTorch中的nn.Embedding应用详解
最新发布
二爷的博客
05-13 767
PyTorch中的nn.Embedding模块是一种用于实现词嵌入的工具，能够将离散的词汇或符号映射到连续的向量空间，从而捕捉词汇之间的语义关系。nn.Embedding本质上是一个参数化的查找表，通过训练更新嵌入向量以优化模型性能。它在自然语言处理任务中广泛应用，如文本分类，通过将单词转换为嵌入向量，提升模型的泛化能力和计算效率。此外，虽然nn.Embedding主要用于文本处理，但在某些图像处理任务中也可用于映射像素值到高维空间。通过示例代码展示了如何在PyTorch中使用nn.Embedding进行文
PyTorch-nn.Module
qq_61706112的博客
05-27 1834
PyTorch关于神经网络的一些层的应用。
【深度学习】pytorch——神经网络工具箱nn
urge的博客
11-06 1584
PyTorch神经网络工具箱nn是一个用于构建深度学习模型的核心模块。它提供了一组简单而灵活的API，可以轻松地定义、训练和评估各种类型的神经网络。nn模块中包含了许多预定义的模块和方法，如线性层、卷积层、循环神经网络、损失函数等，可以直接调用这些模块来构建深度学习模型。以下是nn模块的主要功能：定义神经网络模型：可以使用nn模块定义各种类型的神经网络。通过继承nn.Module类，可以创建一个自己的神经网络类，并在其中定义各个层的结构和参数。
机器学习库 | PyTorch：torch.nn
记录风老师成长的个人博客
05-08 600
需安装torchinfo库# 定义网络nn.ReLU(),# 实例化网络# 显示模型摘要SimpleNetnn.init控制权重初始化策略# 定义网络# 自定义初始化init.xavier_normal_(self.fc.weight) # Xavier初始化init.constant_(self.fc.bias, 0.1) # 偏置初始化为0.1# 实例化网络# 查看参数print("权重初始化值:", net.fc.weight)
PyTorch之nn.ReLU与F.ReLU的区别介绍
09-16
在PyTorch中，ReLU有两 种常见的实现方式：`nn.ReLU` 和 `F.relu`。 1. **nn.ReLU**: 这是ReLU作为神经网络层的实现，它属于`nn.Module`类的子类。当你在定义网络结构时，如上面的`AlexNet_1`，`nn.ReLU`被包含在`...
PyTorch之nn.Module与nn.functional用法区别
酒酿小圆子呀～
06-30 1473
其实这两种方法都是使用relu激活，只是使用的场景不一样，F.relu()是函数调用，一般使用在foreward函数里。而nn.ReLU()是模块调用，一般在定义网络层的时候使用。在上述示例中，我们首先导入nn.functional 模块，然后在网络的forward 方法中使用F.relu 函数作为激活函数。的主要优势是它的计算效率和灵活性，因为它允许你以函数的方式直接调用这些操作，而不需要创建额外的层。当用print(net)输出时，nn.ReLU()会有对应的层，而F.ReLU()是没有输出的。
PyTorch之nn.Module、nn.Sequential、nn.ModuleList使用详解
酒酿小圆子呀～
06-30 5275
nn.functional 中的函数没有可学习的参数，与nn.Module 中的层不同。其实这两种方法都是使用relu激活，只是使用的场景不一样，F.relu()是函数调用，一般使用在foreward函数里。在上述示例中，我们首先导入nn.functional 模块，然后在网络的forward 方法中使用F.relu 函数作为激活函数。的主要优势是它的计算效率和灵活性，因为它允许你以函数的方式直接调用这些操作，而不需要创建额外的层。是PyTorch中一个重要的模块，它包含了许多用于构建神经网络的函数。
pytorch之nn.BECWithLogitsLoss使用详解
yueguang8的博客
06-18 4423
nn.BCEWithLogitsLoss 是 PyTorch 中一种非常实用的二分类损失函数,它结合了 Sigmoid 激活和二元交叉熵损失,在数值稳定性和梯度计算方面都有所改进,是深度学习实践中的首选之一。它不仅具有良好的数值稳定性,还可以方便地处理样本不平衡等问题,是值得深入学习和应用的重要知识点
PyTorch深度学习——nn
m0_43425029的博客
07-03 254
神经网络的学习，可以参考官方文档： nn.Moudle 下面给一个调用nn.Moudle的小例子： import torch from torch import nn class Hue(nn.Module): def __init__(self): super().__init__() def forward(self,input): output = input + 1 return output hue = Hue() x = to
pytorch深度学习框架—torch.nn模块（一）
xiaoxu的博客
06-12 4580
torch.nn模块中包括了pytorch中已经准备好的层，方便使用者调用构建的网络。包括了卷积层，池化层，激活函数层，循环层，全连接层。
pytorch使用-nn.RNN
xu624735206的博客
04-07 4874
pytorch使用-nn.RNN一、nn.RNN 一、nn.RNN nn.RNN(input_size: int, hidden_size: int, num_layers: int = 1, bias: bool = True, batch_first: bool = False, dropout: float = 0., bidirectional: bool = False, proj_size: int = 0, device=None, dtype=No
Pytorch中torch.nn的学习
weixin_70673823的博客
03-30 1365
Pytorch中torch.nn学习，torch.nn的介绍和使用实例
PyTorch 中神经网络库torch.nn的详细介绍
xw555666的博客
02-01 6575
torch.nn是 PyTorch 深度学习框架中的一个核心模块，它为构建和训练神经网络提供了丰富的类库。通过torch.nn，开发者能够快速构建复杂的深度学习模型，并利用 PyTorch 动态计算图特性进行高效训练和推理。此外，该模块还与torch.optim配合，方便地进行权重优化；以及与DataLoader结合以组织和迭代训练数据。
Pytorch中的torch.nn类
weixin_30349597的博客
04-17 231
直接看 https://pytorch.org/docs/stable/nn.html 就行了 转载于:https://www.cnblogs.com/sbj123456789/p/10723256.html
pytorch基础（三）：使用nn模块构造神经网络
一个bug是bug，多个bug能work
11-14 2655
文章目录前言一、问题描述二、官方代码三、代码讲解1.参数初始化2.torch.nn2.1torch.nn.Relu和torch.nn.Linear2.2 神经网络参数的初始化2.3 torch.nn.Sequential2.4nn中的损失函数2.5 梯度清零2.6 参数更新总结 前言   本系列主要是对pytorch基础知识学习的一个记录，尽量保持博客的更新进度和自己的学习进度。本人也处于学习阶段，博客中涉及到的知识可能存在某些问题，希望大家批评指正。另外，本博客中的有些内容基于吴恩达老师深度学习课程，
Pytorch学习(二）—— nn模块
qq_38816432的博客
07-31 7096
torch.nnnn.Module常用的神经网络相关层优化器nn.functional初始化策略nn.Module深入分析nn和autograd借助nn搭建ResNet50 Pytorch nn模块提供了创建和训练神经网络的各种工具，其专门为深度学习设计，核心的数据结构是Module。Module是一个抽象的概念，既可以表示神经网络中的某个层，也可以表示一个包含很多层的神经网络。 nn.Module nn.Module基类构造函数： def __init__(self): self.tra
pytorch.nn
01-19
在 PyTorch 中，`nn.Linear()` 函数用于创建全连接层 (也称为线性变换)，这是神经网络中最基本的操作之一。下面是一个简单的例子来展示如何定义和使用这个功能： ```python import torch from torch import nn # ...
评论
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