注意

點擊這裡以下載完整的範例程式碼

學習基礎知識 || 快速入門 || 張量 || 資料集 & 資料載入器 || 轉換 || 建立模型 || 自動微分 || 最佳化 || 儲存 & 載入模型

建立神經網路¶

建立於: 2021 年 2 月 9 日 | 最後更新: 2025 年 1 月 24 日 | 最後驗證: 未驗證

神經網路包含對資料執行運算的層/模組。torch.nn 命名空間提供您建立自己的神經網路所需的所有構建模塊。PyTorch 中的每個模組都是 nn.Module 的子類別。神經網路本身就是一個模組，由其他模組（層）組成。這種巢狀結構允許輕鬆地建構和管理複雜的架構。

在以下章節中，我們將建構一個神經網路來分類 FashionMNIST 資料集中的圖像。

import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

取得訓練裝置¶

我們希望能夠在加速器（例如 CUDA、MPS、MTIA 或 XPU）上訓練我們的模型。如果目前有可用的加速器，我們將使用它。否則，我們使用 CPU。

device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
print(f"Using {device} device")

Using cuda device

定義類別¶

我們透過繼承 nn.Module 來定義我們的神經網路，並在 __init__ 中初始化神經網路層。每個 nn.Module 子類別都會在 forward 方法中實作對輸入資料的運算。

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

我們建立 NeuralNetwork 的實例，並將其移動到 device，然後列印其結構。

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)
  )
)

要使用模型，我們將輸入資料傳遞給它。這會執行模型的 forward，以及一些背景運算。不要直接呼叫 model.forward()！

在輸入上呼叫模型會傳回一個二維張量，其中 dim=0 對應於每個類別的 10 個原始預測值的每個輸出，而 dim=1 對應於每個輸出的個別值。我們透過 nn.Softmax 模組的實例傳遞它來取得預測機率。

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([7], device='cuda:0')

模型層¶

讓我們分解 FashionMNIST 模型中的層。為了說明它，我們將取得一個大小為 28x28 的 3 個圖像的樣本小批量，看看當我們將其傳遞到網路時會發生什麼。

input_image = torch.rand(3,28,28)
print(input_image.size())

torch.Size([3, 28, 28])

nn.Flatten¶

我們初始化 nn.Flatten 層，以將每個 2D 28x28 圖像轉換為 784 個像素值的連續陣列（小批量維度（在 dim=0 處）會被保留）。

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())

torch.Size([3, 784])

nn.Linear¶

線性層是一個模組，它使用其儲存的權重和偏差對輸入應用線性轉換。

layer1 = nn.Linear(in_features=28*28, out_features=20)
hidden1 = layer1(flat_image)
print(hidden1.size())

torch.Size([3, 20])

nn.ReLU¶

非線性激活是建立模型輸入和輸出之間複雜映射的原因。它們在線性轉換後應用以引入非線性，幫助神經網路學習各種現象。

在這個模型中，我們在我們的線性層之間使用 nn.ReLU，但還有其他激活可以在您的模型中引入非線性。

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

Before ReLU: tensor([[ 0.4158, -0.0130, -0.1144,  0.3960,  0.1476, -0.0690, -0.0269,  0.2690,
          0.1353,  0.1975,  0.4484,  0.0753,  0.4455,  0.5321, -0.1692,  0.4504,
          0.2476, -0.1787, -0.2754,  0.2462],
        [ 0.2326,  0.0623, -0.2984,  0.2878,  0.2767, -0.5434, -0.5051,  0.4339,
          0.0302,  0.1634,  0.5649, -0.0055,  0.2025,  0.4473, -0.2333,  0.6611,
          0.1883, -0.1250,  0.0820,  0.2778],
        [ 0.3325,  0.2654,  0.1091,  0.0651,  0.3425, -0.3880, -0.0152,  0.2298,
          0.3872,  0.0342,  0.8503,  0.0937,  0.1796,  0.5007, -0.1897,  0.4030,
          0.1189, -0.3237,  0.2048,  0.4343]], grad_fn=<AddmmBackward0>)


After ReLU: tensor([[0.4158, 0.0000, 0.0000, 0.3960, 0.1476, 0.0000, 0.0000, 0.2690, 0.1353,
         0.1975, 0.4484, 0.0753, 0.4455, 0.5321, 0.0000, 0.4504, 0.2476, 0.0000,
         0.0000, 0.2462],
        [0.2326, 0.0623, 0.0000, 0.2878, 0.2767, 0.0000, 0.0000, 0.4339, 0.0302,
         0.1634, 0.5649, 0.0000, 0.2025, 0.4473, 0.0000, 0.6611, 0.1883, 0.0000,
         0.0820, 0.2778],
        [0.3325, 0.2654, 0.1091, 0.0651, 0.3425, 0.0000, 0.0000, 0.2298, 0.3872,
         0.0342, 0.8503, 0.0937, 0.1796, 0.5007, 0.0000, 0.4030, 0.1189, 0.0000,
         0.2048, 0.4343]], grad_fn=<ReluBackward0>)

nn.Sequential¶

nn.Sequential 是一個模組的有序容器。資料以與定義的順序相同的順序傳遞給所有模組。您可以使用循序容器將快速網路組合在一起，例如 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¶

神經網路的最後一個線性層傳回 logits - [-infty, infty] 中的原始值 - 這些值傳遞給 nn.Softmax 模組。Logits 被縮放到 [0, 1] 的值，代表模型對每個類別的預測機率。dim 參數指示值必須加總為 1 的維度。

softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)

模型參數¶

神經網路中的許多層都是參數化的，也就是說，它們具有在訓練期間進行優化的相關權重和偏差。子類化 nn.Module 會自動追蹤模型物件中定義的所有欄位，並使用模型的 parameters() 或 named_parameters() 方法，使所有參數都可存取。

在此範例中，我們迭代每個參數，並印出其大小和值的預覽。

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([[ 0.0273,  0.0296, -0.0084,  ..., -0.0142,  0.0093,  0.0135],
        [-0.0188, -0.0354,  0.0187,  ..., -0.0106, -0.0001,  0.0115]],
       device='cuda:0', grad_fn=<SliceBackward0>)

Layer: linear_relu_stack.0.bias | Size: torch.Size([512]) | Values : tensor([-0.0155, -0.0327], device='cuda:0', grad_fn=<SliceBackward0>)

Layer: linear_relu_stack.2.weight | Size: torch.Size([512, 512]) | Values : tensor([[ 0.0116,  0.0293, -0.0280,  ...,  0.0334, -0.0078,  0.0298],
        [ 0.0095,  0.0038,  0.0009,  ..., -0.0365, -0.0011, -0.0221]],
       device='cuda:0', grad_fn=<SliceBackward0>)

Layer: linear_relu_stack.2.bias | Size: torch.Size([512]) | Values : tensor([ 0.0148, -0.0256], device='cuda:0', grad_fn=<SliceBackward0>)

Layer: linear_relu_stack.4.weight | Size: torch.Size([10, 512]) | Values : tensor([[-0.0147, -0.0229,  0.0180,  ..., -0.0013,  0.0177,  0.0070],
        [-0.0202, -0.0417, -0.0279,  ..., -0.0441,  0.0185, -0.0268]],
       device='cuda:0', grad_fn=<SliceBackward0>)

Layer: linear_relu_stack.4.bias | Size: torch.Size([10]) | Values : tensor([ 0.0070, -0.0411], device='cuda:0', grad_fn=<SliceBackward0>)

延伸閱讀¶

torch.nn API

此腳本的總運行時間： ( 0 分鐘 0.139 秒)

由 Sphinx-Gallery 產生的圖庫