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自定义神经网络所需的所有基础组件。PyTorch 中的每个模块都继承自 nn.Module。神经网络本身就是一个由其他模块（层）组成的模块，这种嵌套结构可以轻松构建和管理复杂的架构。
在接下来的章节中，我们将构建一个神经网络，用于对 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
获取训练设备
我们希望能够在加速器（如 CUDA、MPS、MTIA 或 XPU）上训练模型。如果当前加速器可用，我们将使用它，否则使用 CPU。
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
print(f"Using {device} device")Using cuda device
定义类
我们通过继承 nn.Module 来定义神经网络，并在 __init__ 中初始化神经网络层。每个 nn.Module 子类都在 forward 方法中实现对输入数据的操作。
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): x = self.flatten(x) logits = self.linear_relu_stack(x) return logits
我们创建 NeuralNetwork 的实例，将其移动到 device 上，并打印其结构。
model = NeuralNetwork().to(device) print(model)
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) ) )
使用模型时，我们将输入数据传递给它。这会执行模型的 forward 方法以及一些后台操作，不要直接调用 model.forward()！
对输入调用模型会返回一个二维张量，dim=0 对应每个类别的 10 个原始预测值输出，dim=1 对应每个输出的单独值。我们通过 nn.Softmax 模块实例获取预测概率。
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}")Predicted class: tensor([8], device='cuda:0')
模型层
我们来分解 FashionMNIST 模型中的层。为了说明，我们将取一个由 3 张 28x28 大小的图像组成的样本小批量数据，查看它在通过网络时会发生什么变化。
input_image = torch.rand(3,28,28) print(input_image.size())
torch.Size([3, 28, 28])
nn.Flatten
我们初始化 nn.Flatten 层，将每张 2D 28x28 图像转换为 784 个像素值的连续数组（保持小批量维度 dim=0 不变）。
flatten = nn.Flatten() flat_image = flatten(input_image) print(flat_image.size())
torch.Size([3, 784])
nn.Linear
线性层是一个使用其存储的权重和偏置对输入应用线性变换的模块。
layer1 = nn.Linear(in_features=28*28, out_features=20) hidden1 = layer1(flat_image) print(hidden1.size())
torch.Size([3, 20])
nn.ReLU
非线性激活函数在模型的输入和输出之间创建复杂的映射。它们在线性变换后应用以引入非线性，帮助神经网络学习各种复杂的现象。
在这个模型中，我们在线性层之间使用 nn.ReLU，还可以使用其他激活函数为模型引入非线性。
print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")Before ReLU: tensor([[-0.3101, -0.6120, 0.1152, 0.1019, 0.0795, -0.1636, -0.1769, 0.0542, 1.1824, 0.2592, -0.1567, 0.1346, -0.4303, -0.0038, 0.2630, 0.3678, -0.4753, -0.2117, 0.1275, 0.5695], [-0.7224, -0.5476, 0.1078, -0.1075, -0.2930, -0.4029, -0.1335, -0.0908, 1.4244, 0.3374, -0.1084, -0.0605, -0.5497, -0.2624, 0.2998, 0.2475, -0.1012, -0.0427, 0.1798, 0.5305], [-0.8504, -0.6094, 0.2424, -0.0452, -0.2563, -0.3655, -0.2436, -0.4324, 0.9581, 0.2932, 0.3605, 0.1438, -0.4759, 0.0026, 0.1823, 0.5341, 0.0351, -0.0235, 0.0662, 0.3424]], grad_fn=<AddmmBackward0>) After ReLU: tensor([[0.0000, 0.0000, 0.1152, 0.1019, 0.0795, 0.0000, 0.0000, 0.0542, 1.1824, 0.2592, 0.0000, 0.1346, 0.0000, 0.0000, 0.2630, 0.3678, 0.0000, 0.0000, 0.1275, 0.5695], [0.0000, 0.0000, 0.1078, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 1.4244, 0.3374, 0.0000, 0.0000, 0.0000, 0.0000, 0.2998, 0.2475, 0.0000, 0.0000, 0.1798, 0.5305], [0.0000, 0.0000, 0.2424, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.9581, 0.2932, 0.3605, 0.1438, 0.0000, 0.0026, 0.1823, 0.5341, 0.0351, 0.0000, 0.0662, 0.3424]], grad_fn=<ReluBackward0>)
nn.Sequential
nn.Sequential 是一个有序的模块容器。数据按照定义的顺序通过所有模块，你可以使用顺序容器快速构建网络，如 seq_modules。
seq_modules = nn.Sequential( flatten, layer1, nn.ReLU(), nn.Linear(20, 10) ) input_image = torch.rand(3,28,28) logits = seq_modules(input_image)
nn.Softmax
神经网络的最后一个线性层返回 logits——取值范围为 [-无穷大, 无穷大] 的原始值，这些值会被传递到 nn.Softmax 模块。logits 会被缩放到 [0, 1] 范围内，代表模型对每个类别的预测概率，dim 参数表示值的总和必须为 1 的维度。
softmax = nn.Softmax(dim=1) pred_probab = softmax(logits)
模型参数
神经网络中的许多层都是参数化的，即具有在训练过程中优化的相关权重和偏置。继承 nn.Module 会自动跟踪模型对象内定义的所有字段，并通过模型的 parameters() 或 named_parameters() 方法访问所有参数。
在这个示例中，我们遍历每个参数，打印其大小和值的预览。
print(f"Model structure: {model}\n\n")
for name, param in model.named_parameters():
print(f"Layer: {name} | Size: {param.size()} | Values : {param[:2]} \n")Model structure: 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) ) ) Layer: linear_relu_stack.0.weight | Size: torch.Size([512, 784]) | Values : tensor([[ 0.0288, 0.0191, 0.0236, ..., -0.0112, -0.0007, 0.0302], [-0.0235, -0.0286, -0.0008, ..., 0.0350, 0.0164, 0.0071]], device='cuda:0', grad_fn=<SliceBackward0>) Layer: linear_relu_stack.0.bias | Size: torch.Size([512]) | Values : tensor([-0.0184, -0.0150], device='cuda:0', grad_fn=<SliceBackward0>) Layer: linear_relu_stack.2.weight | Size: torch.Size([512, 512]) | Values : tensor([[-4.9220e-03, -3.8947e-02, 3.0936e-02, ..., 6.0504e-03, -3.6934e-02, 1.0734e-02], [ 8.3488e-05, -4.9245e-03, 4.5063e-03, ..., 2.4658e-03, -2.6512e-02, 9.8059e-03]], device='cuda:0', grad_fn=<SliceBackward0>) Layer: linear_relu_stack.2.bias | Size: torch.Size([512]) | Values : tensor([-0.0058, -0.0405], device='cuda:0', grad_fn=<SliceBackward0>) Layer: linear_relu_stack.4.weight | Size: torch.Size([10, 512]) | Values : tensor([[-0.0215, 0.0281, -0.0214, ..., -0.0153, -0.0153, -0.0403], [-0.0417, 0.0031, -0.0070, ..., -0.0421, 0.0223, -0.0276]], device='cuda:0', grad_fn=<SliceBackward0>) Layer: linear_relu_stack.4.bias | Size: torch.Size([10]) | Values : tensor([-0.0080, -0.0127], device='cuda:0', grad_fn=<SliceBackward0>)
