Pytorch深度学习教程_9_nn模块构建神经网络

欢迎来到《深度学习保姆教程》系列的第九篇！在前面的几篇中，我们已经介绍了Python、numpy及pytorch的基本使用，进行了梯度及神经网络的实践并学习了激活函数和激活函数，在上一个教程中我们学习了优化算法。今天，我们将开始使用pytorch构建我们自己的神经网络。

欢迎订阅专栏进行系统学习：

深度学习保姆教程_tRNA做科研的博客-CSDN博客

目录

 1.理解nn模块：

(1)使用 nn.Sequential 创建神经网络

(2)自定义神经网络

2 创建神经网络层

(1)线性层（全连接层）‌

(2)卷积层

(3)池化层

(4)循环层

(5)其他层类型

(6)将层组合成神经网络

3 构建顺序模型

(1)循环神经网络（RNNs）‌

(2)长短期记忆网络（LSTMs）‌

(3)门控循环单元（GRUs）‌

4 自定义神经网络模块

(1)理解自定义模块的需求

创建自定义模块

将自定义模块纳入神经网络

 总结

PyTorch 的 nn 模块提供了构建神经网络的高级接口。它封装了层、损失函数和优化算法，使得构建和训练复杂模型变得更加容易。

 1.理解nn模块：

nn 模块提供了一系列类和函数，用于构建各种神经网络组件：

• 层（Layers）‌：定义对输入数据执行的计算操作（例如，Linear、Conv2d、RNN）。
• 损失函数（Loss functions）‌：量化预测输出和实际输出之间的差异（例如，CrossEntropyLoss、MSELoss）。
• 容器（Containers）‌：将层组织成顺序、并行或更复杂的结构（例如，Sequential、ModuleList、ModuleDict）。
• 初始化（Initialization）‌：初始化模型参数（例如，kaiming_normal_、xavier_uniform_）。

(1)使用 nn.Sequential 创建神经网络

nn.Sequential 容器是一种创建前馈神经网络的简单方法。它定义了一个模块的线性堆栈。

import torch
import torch.nn as nn

# 定义一个简单的神经网络
model = nn.Sequential(
    nn.Linear(input_size, hidden_size),
    nn.ReLU(),
    nn.Linear(hidden_size, output_size)
)

(2)自定义神经网络

虽然 nn.Sequential 很方便，但您可以通过继承 nn.Module 来创建更复杂的架构。这允许您自定义前向传播逻辑，并对模型结构拥有更多控制权。

import torch
import torch.nn as nn

# 定义一个名为MyModel的神经网络模型类，继承自nn.Module
class MyModel(nn.Module):
    # 构造函数，初始化模型参数
    def __init__(self, input_size, hidden_size, output_size):
        # 调用父类nn.Module的构造函数进行初始化
        super(MyModel, self).__init__()
        # 定义第一个全连接层（线性层），输入大小为input_size，输出大小为hidden_size
        self.fc1 = nn.Linear(input_size, hidden_size)
        # 定义第二个全连接层（线性层），输入大小为hidden_size，输出大小为output_size
        self.fc2 = nn.Linear(hidden_size, output_size)

    # 前向传播函数，定义数据如何通过网络
    def forward(self, x):
        # 对第一个全连接层的输出应用ReLU激活函数
        x = torch.relu(self.fc1(x))
        # 将经过激活后的输出传递给第二个全连接层
        x = self.fc2(x)
        # 返回最终的输出
        return x

# 实例化MyModel模型，传入输入层、隐藏层和输出层的大小
model = MyModel(input_size, hidden_size, output_size)

2 创建神经网络层

神经网络层是处理信息的基本组件。它们对输入数据执行计算，将其转换为适合后续层的表示形式。让我们探索一些常见的层类型。‌

(1)线性层（全连接层）‌

线性层，也称为全连接层，将一层中的每个神经元连接到下一层中的每个神经元。它们执行矩阵乘法后加上偏置。

import torch.nn as nn

linear_layer = nn.Linear(in_features=10, out_features=20)

(2)卷积层

卷积层对于处理网格状数据（如图像）至关重要。它们应用滤波器来提取特征。

import torch.nn as nn

conv_layer = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)

(3)池化层

池化层降低输入的维度，同时保留重要信息。

import torch.nn as nn

max_pool = nn.MaxPool2d(kernel_size=2, stride=2)
avg_pool = nn.AvgPool2d(kernel_size=2, stride=2)

(4)循环层

循环层处理序列数据。它们维护内部状态以捕捉来自先前步骤的信息。

import torch.nn as nn

rnn = nn.RNN(input_size=10, hidden_size=20, num_layers=1)
lstm = nn.LSTM(input_size=10, hidden_size=20, num_layers=1)
gru = nn.GRU(input_size=10, hidden_size=20, num_layers=1)

(5)其他层类型

• 归一化层（Normalization layers）‌：归一化输入数据（例如，BatchNorm、LayerNorm）。
• Dropout 层（Dropout layers）‌：通过随机丢弃神经元来防止过拟合。
• 嵌入层（Embedding layers）‌：将分类数据转换为密集向量。

(6)将层组合成神经网络

多个层组合在一起可以创建复杂的架构。例如，卷积神经网络通常由卷积层、池化层和全连接层组成。

import torch.nn as nn

# 定义一个名为MyCNN的神经网络模型类，继承自nn.Module
class MyCNN(nn.Module):
    def __init__(self):
        super(MyCNN, self).__init__()
        # 定义第一个卷积层
        self.conv1 = nn.Conv2d(3, 16, 3, padding=1)
        # 定义最大池化层
        self.pool = nn.MaxPool2d(2, 2)
        # 定义第一个全连接层
        self.fc1 = nn.Linear(16 * 7 * 7, 120)
        # 定义第二个全连接层
        self.fc2 = nn.Linear(120, 84)
        # 定义第三个全连接层
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # 应用卷积、ReLU激活函数和池化
        x = self.pool(torch.relu(self.conv1(x)))
        # 将特征图展平成一维向量
        x = torch.flatten(x, 1)
        # 应用第一个全连接层和ReLU激活函数
        x = torch.relu(self.fc1(x))
        # 应用第二个全连接层和ReLU激活函数
        x = torch.relu(self.fc2(x))
        # 应用第三个全连接层
        x = self.fc3(x)
        return x

关键考虑因素

• 层的深度和宽度（Layer depth and width）‌：尝试不同数量的层和神经元。
• 超参数调整（Hyperparameter tuning）‌：优化诸如核大小、步幅和填充等参数。
• 计算效率（Computational efficiency）‌：考虑不同层的计算成本。

3 构建顺序模型

顺序模型旨在处理具有时间或空间顺序的数据，例如时间序列数据、文本和音频。它们捕捉序列中元素之间的依赖关系。‌

理解顺序数据

• 时间序列数据（Time series data）‌：在特定时间点记录的观测值。
• 文本数据（Text data）‌：单词或字符的序列。
• 音频数据（Audio data）‌：音频样本的序列。

(1)循环神经网络（RNNs）‌

RNNs 是处理顺序数据的基础架构。它们在网络中引入循环，允许信息跨时间步长持续存在。

• 隐藏状态（Hidden state）‌：维护关于过去输入的信息。
• 梯度消失问题（Vanishing gradient problem）‌：难以学习长期依赖关系。

import torch.nn as nn

# 简单的 RNN
rnn = nn.RNN(input_size=10, hidden_size=20, num_layers=1)

(2)长短期记忆网络（LSTMs）‌

LSTMs 通过引入记忆单元和门来解决梯度消失问题。

• 记忆单元（Memory cell）‌：存储长时间的信息。
• 门（Gates）‌：控制信息流入和流出记忆单元的流动。

import torch.nn as nn

lstm = nn.LSTM(input_size=10, hidden_size=20, num_layers=1)

(3)门控循环单元（GRUs）‌

GRUs 是 LSTMs 的简化版本，参数更少。

• 更新门（Update gate）‌：控制保留多少之前的隐藏状态。
• 重置门（Reset gate）‌：控制忘记多少过去的信息。

import torch.nn as nn

gru = nn.GRU(input_size=10, hidden_size=20, num_layers=1)

挑战和注意事项

• 梯度消失/爆炸（Vanishing/exploding gradients）‌：可能阻碍训练，特别是对于长序列。
• 计算成本（Computational cost）‌：RNNs 训练起来可能计算成本较高。
• 过拟合（Overfitting）‌：防止模型记住训练数据。

4 自定义神经网络模块

虽然 PyTorch 的 nn 模块提供了一套丰富的预建层，但在某些情况下，需要创建针对特定问题域或架构创新的自定义组件。

(1)理解自定义模块的需求

• 特定问题的操作（Problem-specific operations）‌：某些任务可能需要标准层未涵盖的操作。
• 架构实验（Architectural experimentation）‌：自定义模块允许灵活地探索新架构。
• 性能优化（Performance optimization）‌：手工实现有时可能更高效。

创建自定义模块

要创建自定义模块，您需要继承 torch.nn.Module 并实现 forward 方法。该方法定义了对输入张量执行的计算。

import torch
import torch.nn as nn

# 定义一个名为MyCustomLayer的自定义神经网络层类，继承自nn.Module
class MyCustomLayer(nn.Module):
    def __init__(self, in_features, out_features):
        super().__init__()
        # 初始化权重参数，使用标准正态分布随机初始化
        self.weight = nn.Parameter(torch.randn(in_features, out_features))
        # 初始化偏置参数，使用零初始化
        self.bias = nn.Parameter(torch.zeros(out_features))

    def forward(self, x):
        # 执行线性变换：x @ weight + bias
        return x @ self.weight + self.bias

将自定义模块纳入神经网络

一旦定义了自定义模块，您就可以像使用其他层一样在神经网络架构中使用它。

model = nn.Sequential(
    MyCustomLayer(10, 20),
    nn.ReLU(),
    nn.Linear(20, 5)
)

高级自定义

• 参数共享（Parameter sharing）‌：创建在不同层之间共享参数的模块。
• 动态架构（Dynamic architectures）‌：根据输入数据构建具有可变结构的模型。
• 混合模型（Hybrid models）‌：结合自定义模块与预训练层。

 总结

通过掌握自定义模块的创建，您可以解锁设计高度专业化和创新的神经网络架构的潜力。nn 模块是一个强大的工具，但将其与对神经网络概念的理解相结合，才能构建有效的模型。