一、神经网络核心组件
神经网络的构建与训练依赖四大核心组件，各组件功能明确且相互配合，构成完整的模型运行体系：
| 组件 | 核心功能 |
|---|---|
| 层（Layer） | 神经网络的基本结构单元，负责将输入张量通过数据变换（如卷积、线性运算）转换为输出张量。 |
| 模型（Model） | 由多个层按特定逻辑组合而成的网络结构，是实现任务（分类、回归等）的核心载体。 |
| 损失函数 | 定义参数学习的目标函数，量化模型预测值（Y'）与真实值（Y）的差异，是参数优化的依据。 |
| 优化器 | 采用特定算法（如 SGD、Adam）最小化损失函数，实现模型参数（权重等）的迭代更新。 |
二、构建神经网络的主要工具
PyTorch 提供nn.Module和nn.functional两大核心工具，二者在用法和场景上存在显著差异：
1. 核心工具对比
| 维度 | nn.Module | nn.functional |
|---|---|---|
| 本质 | 面向对象的模块，继承自nn.Module基类 |
纯函数式接口 |
| 典型应用 | 卷积层（nn.Conv2d）、全连接层（nn.Linear）、dropout 层（nn.Dropout） |
激活函数（F.relu）、池化层（F.max_pool2d）、损失计算（F.cross_entropy） |
| 用法规范 | 需先实例化并传入参数，再以函数调用方式传入数据（如layer = nn.Linear(10,2); layer(x)） |
直接调用函数并传入数据及参数（如F.linear(x, weight, bias)） |
| 参数管理 | 自动定义和管理weight、bias等可学习参数 |
需手动定义和传入weight、bias，不利于代码复用 |
| 容器兼容性 | 可与nn.Sequential等模型容器无缝结合 |
无法与nn.Sequential等容器结合 |
| 状态转换（如 dropout） | 调用model.eval()后自动切换训练 / 测试状态 |
需手动控制状态，无自动转换功能 |
三、模型构建的三种核心方式
PyTorch 支持多种模型构建方式，可根据模型复杂度和模块化需求选择：
1. 继承nn.Module基类构建（灵活度最高）
适用于复杂模型，需手动定义层结构和正向传播逻辑，核心步骤包括：
- 定义模型类并继承
nn.Module； - 在
__init__方法中初始化各层组件（如全连接层、批归一化层）； - 实现
forward方法定义数据流向（正向传播过程）。
代码示例片段：
python
运行
import torch
from torch import nn
import torch.nn.functional as F
class Model_Seq(nn.Module):
def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
super(Model_Seq, self).__init__()
self.flatten = nn.Flatten()
self.linear1 = nn.Linear(in_dim, n_hidden_1)
self.bn1 = nn.BatchNorm1d(n_hidden_1)
self.linear2 = nn.Linear(n_hidden_1, n_hidden_2)
self.bn2 = nn.BatchNorm1d(n_hidden_2)
self.out = nn.Linear(n_hidden_2, out_dim)
def forward(self, x):
x = self.flatten(x)
x = F.relu(self.bn1(self.linear1(x)))
x = F.relu(self.bn2(self.linear2(x)))
x = F.softmax(self.out(x), dim=1)
return x2. 使用nn.Sequential按层顺序构建（简洁高效）
适用于线性堆叠的简单模型，无需手动定义forward方法，支持三种实现方式：
-
可变参数方式 ：直接传入层实例，无法指定层名称；
python
运行
Seq_arg = nn.Sequential( nn.Flatten(), nn.Linear(in_dim, n_hidden_1), nn.ReLU() ) -
add_module方法 ：通过add_module("层名称", 层实例)指定层名称； -
OrderedDict方法：通过有序字典传入（键为层名称，值为层实例），保证层顺序。
3. 继承nn.Module结合模型容器构建（模块化兼顾灵活）
将模型拆分为多个子模块，通过nn.Sequential、nn.ModuleList、nn.ModuleDict等容器管理，平衡模块化与灵活性：
nn.Sequential容器：按顺序封装子模块，适合固定流程的子网络；nn.ModuleList容器：以列表形式存储层，支持索引访问，适合动态调整层数量；nn.ModuleDict容器：以字典形式存储层，通过键名访问，适合灵活控制层顺序。
nn.ModuleDict实现示例片段：
python
运行
class Model_dict(nn.Module):
def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
super(Model_dict, self).__init__()
self.layers_dict = nn.ModuleDict({
"flatten": nn.Flatten(),
"linear1": nn.Linear(in_dim, n_hidden_1),
"relu": nn.ReLU(),
"out": nn.Linear(n_hidden_2, out_dim)
})
def forward(self, x):
layers = ["flatten", "linear1", "relu", "out"] # 手动定义执行顺序
for layer in layers:
x = self.layers_dict[layer](x)
return x四、自定义网络模块（以 ResNet 为例）
对于复杂网络结构（如残差网络 ResNet），可通过自定义模块实现复用，核心包括两种残差块：
- 基础残差块（
RestNetBasicBlock）：输入与输出形状一致，直接将输入与卷积输出相加后激活； - 下采样残差块（
RestNetDownBlock）：通过 1×1 卷积调整输入通道数和分辨率，确保输入与输出可相加。
将两种模块组合可构建 ResNet18 等经典网络，示例如下：
python
运行
class RestNet18(nn.Module):
def __init__(self):
super(RestNet18, self).__init__()
self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3)
self.layer1 = nn.Sequential(RestNetBasicBlock(64, 64, 1), RestNetBasicBlock(64, 64, 1))
self.layer2 = nn.Sequential(RestNetDownBlock(64, 128, [2, 1]), RestNetBasicBlock(128, 128, 1))
# 后续layer3、layer4及全连接层省略...
def forward(self, x):
# 正向传播逻辑省略...
return out五、模型训练流程
完整的模型训练需遵循固定流程，确保模型有效学习：
- 加载预处理数据集：准备训练 / 测试数据，进行标准化、批处理等预处理；
- 定义损失函数 ：根据任务选择（如分类用
nn.CrossEntropyLoss，回归用nn.MSELoss）； - 定义优化方法 ：选择优化器（如
torch.optim.SGD、torch.optim.Adam）并配置学习率； - 循环训练模型 ：迭代输入数据，执行正向传播→计算损失→反向传播（
loss.backward()）→参数更新（optimizer.step()）； - 循环测试或验证：定期在验证集上评估模型性能，避免过拟合；
- 可视化结果：绘制损失曲线、准确率曲线等，分析模型训练效果。