整个网络的搭建基于pytorch的框架，其中 torch.nn 的命名空间包含了所有构建神经网络需要的基础组件。
nn.Flatten 层 把二位图像打平成一维数组，tensor第一位置代表的是通道数，并不参与打平的运算
input_image = torch.rand(3,224,224)
print(input_image.size())
# torch.Size([3, 224, 224])
flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())
# torch.Size([3, 50176])
nn.Linear 层
通过权重w和偏差b对输入数据进行线性变化，输出结果。这个最基本的神经网络结构
layer1 = nn.Linear(in_features=224*224, out_features=1024)
hidden1 = layer1(flat_image)
print(hidden1.size()
#torch.Size([3, 1024])
nn.ReLU 层
非线性激活函数，帮助神经网络引入非线性的特性
print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")
nn.Sequential
一个有序容器，把各个模块顺序连接起来
nn.Softmax层
将（-无穷，+无穷）范围的数值，压缩到（0，1）,用于表示模型对每个类别的预测概率
softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)
# 引入对应的模块
import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
# 选择模型的训练资源
device = (
"cuda"
if torch.cuda.is_available()
else "mps"
if torch.backends.mps.is_available()
else "cpu"
)
print(f"Using {device} device")
# 初始化神经网络实例，并把它迁移到对应的设备上
model = NeuralNetwork(224*224).to(device)
print(model)
# 验证输出
X = torch.rand(1, 224, 224, device=device)
logits = model(X)
pred_probab = nn.Softmax(dim=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。