【深度学习】03-神经网络01-4 神经网络的pytorch搭建和参数计算

计算模型参数,查看模型结构,我们要查看有多少参数，需要先安装包

pip install torchsummary

import torch
import torch.nn as nn
from torchsummary import summary # 导入 summary 函数，用于计算模型参数和查看模型结构

# 创建神经网络模型类
class Model(nn.Module):
    # 初始化模型的构造函数
    def __init__(self):
        super().__init__()  # 调用父类 nn.Module 的初始化方法
        # 定义第一个全连接层（线性层），3个输入特征，3个输出特征
        self.linear1 = nn.Linear(3, 3)  
        # 使用 Xavier 正态分布初始化第一个全连接层的权重
        nn.init.xavier_normal_(self.linear1.weight)
        
        # 定义第二个全连接层，输入 3 个特征，输出 2 个特征
        self.linear2 = nn.Linear(3, 2)
        # 使用 Kaiming 正态分布初始化第二个全连接层的权重，适合 ReLU 激活函数
        nn.init.kaiming_normal_(self.linear2.weight)
        
        # 定义输出层，输入 2 个特征，输出 2 个特征
        self.out = nn.Linear(2, 2)
        
    # 定义前向传播过程 (forward 函数会自动执行，类似于模型的"推理"过程)
    def forward(self, x):
        # 第一个全连接层运算
        x = self.linear1(x)
        # 使用 Sigmoid 激活函数
        x = torch.sigmoid(x)
        
        # 第二个全连接层运算
        x = self.linear2(x)
        # 使用 ReLU 激活函数
        x = torch.relu(x)
        
        # 输出层运算
        x = self.out(x)
        # 使用 Softmax 激活函数，将输出转化为概率分布
        # dim=-1 表示在最后一个维度（通常是输出的类别维度）上做 softmax 归一化
        x = torch.softmax(x, dim=-1)
        return x
    
if __name__ == '__main__':
    # 实例化神经网络模型
    my_model = Model()
    
    # 随机生成一个形状为 (5, 3) 的输入数据，表示 5 个样本，每个样本有 3 个特征
    my_data = torch.randn(5, 3)
    print("mydata shape", my_data.shape)
    
    # 通过模型进行前向传播，输出模型的预测结果
    output = my_model(my_data)
    print("output shape", output.shape)
    
    # 计算并显示模型的参数总量以及模型结构
    summary(my_model, input_size=(3,), batch_size=5)
    
    # 查看模型中所有的参数，包括权重和偏置项（bias）
    print("-----查看模型参数w 和 b  -----")
    for name, parameter in my_model.named_parameters():
        print(name, parameter)

mydata shape torch.Size(5, 3)

output shape torch.Size(5, 2)

---

Layer (type) Output Shape Param #

================================================================

Linear-1 5, 3 12

Linear-2 5, 2 8

Linear-3 5, 2 6

================================================================

Total params: 26

Trainable params: 26

Non-trainable params: 0

---

Input size (MB): 0.00

Forward/backward pass size (MB): 0.00

Params size (MB): 0.00

Estimated Total Size (MB): 0.00

---

-----查看模型参数w 和 b -----

linear1.weight Parameter containing:

tensor(\[ 0.4777, -0.2076, 0.4900,

-0.1776, 0.4441, 0.6924,

-0.5449, 1.6153, 0.0243], requires_grad=True)

linear1.bias Parameter containing:

tensor(0.4524, 0.2902, 0.4897, requires_grad=True)

linear2.weight Parameter containing:

tensor(\[-0.0510, -1.2731, -0.7253,

-0.6112, 0.1189, -0.4903], requires_grad=True)

linear2.bias Parameter containing:

tensor(0.5391, 0.2552, requires_grad=True)

out.weight Parameter containing:

tensor(\[-0.3271, -0.3483,

-0.0619, -0.0680], requires_grad=True)

out.bias Parameter containing:

tensor(-0.5508, 0.5895, requires_grad=True)

代码输出结果解读

​​​​​​​

这个代码的输出展示了两部分内容：

1. 数据维度和模型输出维度：

   • mydata shape torch.Size([5, 3])

   • output shape torch.Size([5, 2])

2. 模型的结构、参数数量和每一层的权重与偏置：

   • 模型的层结构、每一层的输出形状，以及每一层的参数数量。

   • 每层的权重（weight ）和偏置（bias）的具体数值。

让我们详细分析每一部分的输出。

1. 输入数据和输出数据的形状

mydata shape torch.Size([5, 3])

这部分的输出说明：

• 输入数据的形状 为 (5, 3) ，表示有 5 个样本，每个样本有 3 个特征。这与模型定义时的输入层**nn.Linear(3, 3)** 是一致的，输入层期望接收 3 个特征。

output shape torch.Size([5, 2])

这部分的输出说明：

• 模型输出的形状 为**(5, 2)** ，表示 5 个样本的输出，每个样本的输出有 2 个值。由于模型的输出层定义为 nn.Linear(2, 2)，它接收 2 个输入特征并输出 2 个值，符合预期。

2. 模型结构和参数

模型结构和参数信息是通过**summary()** 函数生成的，它列出了每一层的名称、输出形状和参数数量。

详细输出解释：

----------------------------------------------------------------
      Layer (type)               Output Shape         Param #
================================================================
          Linear-1                     [5, 3]             12
          Linear-2                     [5, 2]               8
          Linear-3                     [5, 2]               6
================================================================
Total params: 26
Trainable params: 26
Non-trainable params: 0
----------------------------------------------------------------

线性层 1（Linear-1）：

• 层的类型 ：Linear ，这是一个全连接层，定义为 nn.Linear(3, 3)。

• 输出形状 ：[5, 3]，表示输入了 5 个样本，每个样本有 3 个特征，经过该层的输出仍然是 5 个样本，每个样本有 3 个特征。

• 参数数量 ：12，其中 9 个是权重参数（3 x 3 的权重矩阵），另外 3 个是偏置项。

线性层 2（Linear-2）：

• 层的类型 ：Linear ，定义为 nn.Linear(3, 2)，将 3 个输入特征映射到 2 个输出特征。

• 输出形状 ：[5, 2]，表示输入了 5 个样本，每个样本有 2 个输出特征。

• 参数数量 ：8，其中 6 个是权重参数（3 x 2 的权重矩阵），另外 2 个是偏置项。

输出层（Linear-3）：

• 层的类型 ：Linear ，定义为 nn.Linear(2, 2)，接收 2 个输入特征，输出 2 个特征。

• 输出形状 ：[5, 2]，表示 5 个样本，每个样本的输出为 2 个特征。

• 参数数量 ：6，其中 4 个是权重参数（2 x 2 的权重矩阵），另外 2 个是偏置项。

参数统计：

• 总参数数量：26，模型中所有可训练参数（包括权重和偏置）的总数量。

• 可训练参数 ：26，模型中所有参与训练的参数。这里所有的参数都是可训练的（requires_grad=True），没有非可训练的参数。

• 非可训练参数：0，说明模型中没有被设置为不可训练的参数。

3. 查看每一层的权重和偏置

这一部分输出列出了每一层的具体参数（权重和偏置）的值。

linear1.weight:

tensor([[ 0.4777, -0.2076, 0.4900],
      [-0.1776, 0.4441, 0.6924],
      [-0.5449, 1.6153, 0.0243]], requires_grad=True)

这是 linear1 层的权重矩阵，形状是 (3, 3) 。由于 linear1 是 nn.Linear(3, 3) ，它的权重矩阵也是 3 行 3 列。权重参数是使用 Xavier 初始化（nn.init.xavier_normal_）初始化的。

linear1.bias:

tensor([0.4524, 0.2902, 0.4897], requires_grad=True)

这是 linear1 层的偏置项，形状是 (3,)，因为每个输出特征对应一个偏置值。

linear2.weight:

tensor([[-0.0510, -1.2731, -0.7253],
      [-0.6112, 0.1189, -0.4903]], requires_grad=True)

这是 linear2 层的权重矩阵，形状是 (2, 3) ，因为 linear2 是 nn.Linear(3, 2) ，需要 3 个输入特征映射到 2 个输出特征。权重是使用 Kaiming 初始化**（nn.init.kaiming_normal_）**初始化的。

linear2.bias:

tensor([0.5391, 0.2552], requires_grad=True)

这是 linear2 层的偏置项，形状是 (2,)，因为每个输出特征对应一个偏置值。

out.weight:

tensor([[-0.3271, -0.3483],
      [-0.0619, -0.0680]], requires_grad=True)

这是输出层 out 的权重矩阵，形状是 (2, 2)，因为 out 是 nn.Linear(2, 2)，接收 2 个输入特征并输出 2 个特征。

out.bias:

tensor([-0.5508, 0.5895], requires_grad=True)

这是输出层 out 的偏置项，形状是 (2,)。

总结

• 这段代码展示了一个简单的神经网络模型，包含 3 个全连接层（线性层），每层的输入输出特征数量逐步缩小。

• 我们通过 summary() 查看了模型的整体结构，展示了每一层的输出形状和参数数量，总共有 26 个参数。

• 每一层的权重和偏置参数值被输出，展示了它们是如何被初始化的（通过 Xavier 和 Kaiming 初始化）。

• 该模型的前向传播通过激活函数（sigmoid 和 ReLU）以及 softmax 将输出转化为概率分布。

​​​​​​​​​​​​​​