如何搭建网络，这在深度学习中非常重要。简单来讲，我们是要实现一个类，这个类中有属性和方法，能够进行计算。
一般来讲，使用PyTorch创建神经网络需要三步：
-
继承基类：nn.Module
-
定义层属性
-
实现前向传播方法
如果你对于python面向对象编程非常熟练，那么这里也就非常简单，就是定义一些属性，实现一些方法。
开始建立一个网络，就像这样：
import torchimport torch.nn as nnimport torch.nn.functional as Fclass Network(nn.Module): def __init__(self): super(Network, self).__init__() self.conv1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5) self.conv2 = nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5) self.fc1 = nn.Linear(in_features=12*4*4, out_features=120) self.fc2 = nn.Linear(in_features=120,out_features=60) self.out = nn.Linear(in_features=60, out_features=10) def forward(self,t): # (1) input layer t = t # (2) hidden conv layer1 t = self.conv1(t) t = F.relu(t) t = F.max_pool2d(t, kernel_size=2, stride=2) # (3) hidden conv layer2 t = self.conv2(t) t = F.relu(t) t = F.max_pool2d(t, kernel_size=2, stride=2) # relu 和 max pooling 都没有权重；激活层和池化层的本质都是对传入的数据按照一定的算法变换。 #（4）hidden linear layer2 t = t.reshape(-1, 12*4*4) t = self.fc1(t) t = F.relu(t) # (5) hidden linear layer2 t = self.fc2(t) t = F.relu(t) # (6) output layer t = self.out(t)
对于上述代码，就是定义了一个新的类，叫做Network,这个类继承自nn.Module,同时，我们又新定义了一些属性，比如conv1,conv2,fc1,fc2,out，并实现了一个方法，叫做：forawrd。
好吧，接下来我们进行初始化
>>>network=Network()
访问对象network的一些属性
>>> network.conv1Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))>>> network.conv2Conv2d(6, 12, kernel_size=(5, 5), stride=(1, 1))>>> network.outLinear(in_features=60, out_features=10, bias=True)
更进一步，我们也可获得每一层的权重，形状：
>>> network.conv2.weightParameter containing:tensor([[[[-8.0741e-02, -7.1281e-02, 7.6540e-02, 6.2786e-02, 1.1018e-03], [ 6.5041e-02, -3.5665e-02, 7.8475e-02, -1.1228e-02, -2.9447e-02], [-8.0508e-02, 7.0457e-02, 7.7877e-02, 7.2872e-02, 4.5671e-02], [ 3.9757e-03, 7.7676e-02, 3.3951e-02, 6.3745e-02, 7.0577e-02], [-2.0165e-02, 2.2356e-02, 2.9137e-02, 8.0388e-02, 5.9048e-02]]............>>> network.conv2.weight.shapetorch.Size([12, 6, 5, 5])
好 吧，上述操作比较繁琐，我们不想这样做，但我们还是非常想了解一个神经网络，那么应该怎么办呢？其实，可以这样。
好吧，接下来我们进行初始化
>>>network=Network()>>> networkNetwork( (conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1)) (conv2): Conv2d(6, 12, kernel_size=(5, 5), stride=(1, 1)) (fc1): Linear(in_features=192, out_features=120, bias=True) (fc2): Linear(in_features=120, out_features=60, bias=True) (out): Linear(in_features=60, out_features=10, bias=True))
>>> for name, param in network.named_parameters(): print(name,'\t\t', param.shape) conv1.weight torch.Size([6, 1, 5, 5])conv1.bias torch.Size([6])conv2.weight torch.Size([12, 6, 5, 5])conv2.bias torch.Size([12])fc1.weight torch.Size([120, 192])fc1.bias torch.Size([120])fc2.weight torch.Size([60, 120])fc2.bias torch.Size([60])out.weight torch.Size([10, 60])out.bias torch.Size([10])
我们实现的新的类是基于基类nn.Module实现的，nn.Linear(in_features=120, out_features=60)是一个线性层，是PyTorch已经实现好的。主要功能就是我们输入一个数据，这个层对数据进行一个线性变换，最后输出一个数据。
还记得之前我们获得了神经网络各层的权重尺寸：
>>> network.fc2.weight.shapetorch.Size([60, 120])
没错，是一个60x120的矩阵。
一个1x120的数据，进入线性层，经过线性变换，最后变成形状为1x60的矩阵。当然，这里解释不是非常正确，Linear层复杂得多，这里仅仅是为了便于理解。
如果你还不理解，下面这个例子可能更加简单：
# 1. 张量的乘法in_features = torch.tensor([1,2,3,4], dtype=torch.float32)weight_matrix = torch.tensor([ [1,2,3,4], [2,3,4,5], [3,4,5,6]], dtype = torch.float32)result1=weight_matrix.matmul(in_features)# 可将上述的权重矩阵看作是一个线性映射.
# 在parameter类中包装一个权重矩阵，以使得输出结果与1中一样fc = nn.Linear(in_features=4, out_features=3)fc.weight= nn.Parameter(weight_matrix)result2=fc(in_features)# 此时的结果接近1中的结果却不精确，是因为由bias的存在
>>> print(result1)tensor([30., 40., 50.])>>> print(result2)tensor([29.5786, 39.9564, 49.7925], grad_fn=<AddBackward0>)
上文实现的网络除了线性层（全连接层），还有卷积层，池化，激活函数，等等，这些内容是卷积神经网络的核心。当然，上述各层都有许多参数，如何确定每一层的参数需要一定的计算。
到了这里，我们对于如何构建神经网络，以及访问神经网络的一些属性，以及线性层大致做了什么有了一个大致的理解。