使用toruch.nn搭建最简单的神经网络骨架

依旧惯例，分析官方文档：

​​https://pytorch.org/docs/stable/nn.html#containers​​

这里主要分析Container类。

可以看到Module类是所有神经网络模块的父类，因此，本文主要研究Module的用法。

当我们需要创建一个神经网络模型时，我们需要继承torch.nn.Module类。并通过构造函数调用父类的构造函数。父类的构造函数设置了训练的flag值为True。

其中CONV2D是一个二维的卷积算法，主要应用于图像操作。对于CONV2D算法，这里分享一篇博客，讲的很详细：​​javascript:void(0)​​

而forwards中使用到的CONV1D则是一维的卷积操作。对于rule函数，其官方描述为：

————图片引用自知乎。

一般来说，一维卷积 nn.Conv1d 用于文本数据，只对宽度进行卷积，对高度不卷积。

Conv1d仅对数据的height或者weight进行处理，我个人理解为，Conv1D处理的是线性数据，也就是tensor张量场中的低纬度数据。而对于RELU函数，则意味着非线性的变换。

relu函数的作用就是增加了神经网络各层之间的非线性关系，否则，如果没有激活函数，层与层之间是简单的线性关系，每层都相当于矩阵相乘，这样怎么能够完成我们需要神经网络完成的复杂任务。

这是一个非线性变换。

当函数的操作和变换不是非线性的，那么才有了智能化的可能性，否则程序的执行过程都是按照系统规定的执行，没有非线性的变化。

神经网络相当于一个处理模块， 将输入数据通过卷积和非线性变换得到了一个输出，作为智能处理的结果。

官方演示文档中给出的forwards函数的作用说明了本神经网络的功能为进行一次1维的卷积后再进行非线性变换，并重复一次该操作。

这里做一个简单的神经网络骨架

from torch import nn
import torch

class network(nn.Module):
    def __init__(self):
        super().__init__()
    def forward(self,input):
        output = input + 1
        return output

net = network()
x = torch.tensor(1.0)

output = net(x)
print(output)

其中init方法中调用了父类的构造方法，forwards方法则是做了一个对input数据进行一次+1的操作，这里的操作是线性的变换，但他依然是一个神经网络的骨架。