构建神经网络
神经网络由对数据执行操作的层/模块组成。 torch.nn命名空间提供了构建神经网络所需的所有构建块。 PyTorch 中的每个模块都是nn.Module 的子类,所有网络必须继续它。神经网络本身就是一个模块，由其他模块（层）组成。这种嵌套结构允许轻松构建和管理复杂的网络结构。
在下面，我们将构建一个神经网络来对 FashionMNIST 数据集中的图像进行分类。
import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms获取GPU使用与否
我们希望能够在 GPU 或 MPS 等硬件加速器（如果可用）上训练我们的模型。让我们检查一下torch.cuda 或torch.backends.mps是否可用，否则我们使用 CPU。
device = (
"cuda"
if torch.cuda.is_available()
else "mps"
if torch.backends.mps.is_available()
else "cpu"
)
print(f"Using {device} device")定义类
我们通过子类化来定义我们的神经网络nn.Module，并初始化神经网络层__init__。每个nn.Module子类都在方法中实现对输入数据的操作forward，nn.Module模块中的__call__函数会自动调用forward函数，所有我们只要基础了nn.Module，就不用手动调用forward。
class NeuralNetwork(nn.Module):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
)
def forward(self, x): #Module中存在__calll__会自动调用forward函数
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits我们创建 的一个实例NeuralNetwork网络，并将其移动到device，并打印其结构。`
model = NeuralNetwork().to(device) #发送到GPU
print(model)
------------------------
out：
NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
)
)为了使用该模型，我们将输入数据传递给它。这将执行模型的forward以及一些后台操作。不要model.forward()调用！
在输入上调用模型会返回一个二维张量，dim=1对应于每个输出的各个值。我们通过将预测概率传递给模块的实例来获得预测概率nn.Softmax。
X = torch.rand(1, 28, 28, device=device)
logits = model(X)
pred_probab = nn.Softmax(dim=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")模型层
让我们分解 FashionMNIST 模型中的各个层。为了说明这一点，我们将采用 3 张大小为 28x28 的图像的小批量样本，看看当我们将其传递到网络时会发生什么。
input_image = torch.rand(3,28,28)
print(input_image.size())nn.Flatten
我们初始化nn.Flatten 层，将每个 2D 28x28 图像转换为 784 个像素值的连续数组（维持小批量维度（在 dim=0 时），0维度保持）。
flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())
------------------
out：
torch.Size([3, 784])nn.Linear
layer1 = nn.Linear(in_features=28*28, out_features=20)
hidden1 = layer1(flat_image)
print(hidden1.size())nn.Sequential
nn.Sequential是模块的有序容器。数据按照定义的相同顺序传递通过所有模块。您可以使用顺序容器来组合一个快速网络，例如seq_modules.
seq_modules = nn.Sequential(
flatten, #前面定义的一些模块，，可以嵌套
layer1,
nn.ReLU(),
nn.Linear(20, 10)
)
input_image = torch.rand(3,28,28)
logits = seq_modules(input_image)三级标题
四级标题
五级标题
六级标题
