预览
神经网络工具箱有四部分构成：神经网络核心组件、构建神经网络的主要工具、构建模型、训练模型。
神经网络核心组件
**层（Layer）：**神经网络的基本结构单元，通过权重等参数对输入张量进行数据变换（如卷积、线性运算），输出新张量
**模型（Model）：**由多个 "层" 按特定逻辑组合而成的整体网络，实现从输入数据到输出结果的完整映射过程
**损失函数：**量化模型预测值（Y'）与真实标签（Y）之间差异的目标函数，是参数学习的 "指南针"
优化器： 根据损失函数计算的梯度，采用优化算法（如 SGD、Adam）更新模型参数，最小化损失值（梯度下降法：找损失函数取最小值时的参数）
损失函数：预测值与真实值之间的差距---通过优化器（梯度下降法）计算权重与偏置【权重与偏置是参数】找到最小值
构建神经网络的主要工具
| 工具类型 | 特性 | 适用场景 |
|---|---|---|
| nn.Module | 面向对象编程，需继承使用；自动管理可学习参数（weight/bias）；支持模型容器嵌套 | 卷积层（Conv2d）、全连接层（Linear）、Dropout 层等带可学习参数的组件 |
| nn.functional | 纯函数式调用，无需实例化；需手动定义和传入参数；无状态管理功能 | 激活函数（ReLU）、池化层（max_pool2d）、损失计算（cross_entropy）等无参数 / 参数固定的操作 |
linear指全连接层（卷积神经网络中）
Cohv*指卷积层
*norn指标准化
*Aactive指激活函数
*Loss指损失函数
关键差异总结
- 使用方式 ：
- nn.Xxx：先实例化（如
model = nn.Linear(784, 300)），再调用实例处理数据 - nn.functional.xxx：直接调用函数（如
F.linear(x, weight, bias)），需手动传入参数
- nn.Xxx：先实例化（如
- 参数管理 ：
- nn.Xxx：自动封装和管理参数，可通过
model.parameters()提取所有可学习参数 - nn.functional.xxx：需手动定义
weight和bias，无法自动纳入模型参数管理
- nn.Xxx：自动封装和管理参数，可通过
- 状态切换 ：
- nn.Dropout：调用
model.eval()后自动关闭 Dropout（适配测试阶段） - F.dropout：需手动设置
training参数（如F.dropout(x, training=True)）切换状态
- nn.Dropout：调用
核心功能与工作原理
- 参数自动管理 ：
- 继承
nn.Module后，在__init__中定义的nn.Xxx层（如 Linear、Conv2d），其参数会被自动注册到模型的参数列表中 - 可通过
model.named_parameters()查看参数名称及数值，便于调试和优化
- 继承
- 正向传播定义 ：
- 必须重写
forward()方法，定义数据在模型中的流动逻辑（从输入到输出的计算过程） - 反向传播由 PyTorch 的
autograd自动实现，无需手动编写梯度计算代码
- 必须重写