在深度学习领域，PyTorch 凭借其灵活的动态计算图和简洁的 API 设计，成为了科研人员和工程师的首选框架之一。无论是构建简单的全连接网络，还是复现复杂的深度学习模型，掌握 PyTorch 的核心工具和建模方法都至关重要。本文将从神经网络的核心组件出发，详细讲解 PyTorch 中构建模型的多种方式，并通过实战案例带你实现经典的 ResNet18 网络，帮助你快速上手 PyTorch 建模与训练。
一、神经网络核心组件：理解深度学习的 "积木"
要构建一个神经网络，首先需要明确其核心组成部分。就像搭积木需要不同形状的模块一样，神经网络的功能实现也依赖于以下 4 个关键组件：
|-------|-----------------------------|
| 层 | 神经网络的基本结构，将输入张量转换为输出张量。 |
| 模型 | 层构成的网络。 |
| 损失函数 | 参数学习的目标函数，通过最小化损失函数来学习各种参数。 |
| 优化器 | 如何使损失函数最小，这就涉及到优化器。 |
这 4 个组件的协作流程可概括为：输入数据经过模型的层变换得到预测值 → 损失函数计算预测值与真实值的误差 → 优化器根据误差更新模型参数，形成一个完整的训练闭环。
二、PyTorch 构建网络的两大核心工具：nn.Module vs nn.functional
PyTorch 提供了两种主要工具来构建神经网络：nn.Module和nn.functional。二者功能有重叠，但使用场景和特性差异显著，掌握其区别是高效建模的关键。
nn.Module
继承自Module类，可自动提取可学习的参数。
适用于卷积层、全连接层、dropout层。
nn.functional
更像是纯函数。
适用于激活函数、池化层。
本质上 ：nn.Module是面向对象的类，需要实例化后使用；nn.functional是纯函数集合，可直接调用。
参数管理 ：nn.Module会自动处理参数的创建、存储和更新，无需手动干预；nn.functional则需要手动定义和传递参数，不提供参数管理功能。
容器兼容性 ：nn.Module可自然融入nn.Sequential等容器，便于构建复杂网络结构；nn.functional无法直接用于这些容器，代码复用性相对较弱。
状态切换 ：nn.Module（如 Dropout、BatchNorm）调用model.eval()后自动切换训练 / 测试状态；nn.functional需要手动传入状态参数（如training=True）来控制行为。
适用场景 ：nn.Module适合实现带可学习参数的层（如卷积层、全连接层）；nn.functional更适合无参数的操作（如激活函数、池化）或需要手动控制参数的场景。
三、PyTorch 构建模型的 3 种常用方式
PyTorch 支持多种模型构建方式，可根据项目复杂度和灵活性需求选择。以下将以 "MNIST 手写数字分类" 任务为例（输入 28×28 像素图像，输出 10 个类别概率），详细讲解每种方式的实现步骤。
方式 1：继承 nn.Module 基类构建（最灵活）
这种方式通过自定义类继承nn.Module，在__init__方法中定义网络层，在forward方法中实现前向传播逻辑，适合构建复杂、自定义流程的模型。
方式 2：使用 nn.Sequential 按层顺序构建（最简洁）
nn.Sequential是 PyTorch 提供的 "层容器"，可按顺序封装多个层，自动实现前向传播（无需手动写forward方法），适合构建结构简单、层顺序明确的模型。其使用有 3 种常见形式：
1. 可变参数方式（快速构建，无层名称）
2. add_module 方法（自定义层名称）
3. OrderedDict 方式（有序字典，自定义层名称）
方式 3：继承 nn.Module + 模型容器（灵活与简洁兼顾）
当模型结构较复杂（如多分支、多子模块）时，可结合nn.Module的自定义能力和nn.Sequential/nn.ModuleList/nn.ModuleDict的容器特性，将模型拆分为多个子模块，提升代码可读性和复用性。
1. 结合 nn.Sequential（子模块按顺序封装）
2. 结合 nn.ModuleList（列表式管理子模块）
nn.ModuleList类似 Python 的列表，可存储多个层对象，支持索引访问，适合需要动态调整层数量的场景：
3. 结合 nn.ModuleDict（字典式管理子模块）
nn.ModuleDict类似 Python 的字典，通过 "键值对" 存储层对象，适合需要按名称动态调用层的场景：
四、自定义 ResNet18 网络
ResNet（残差网络）通过引入 "残差连接" 解决了深层网络的梯度消失问题，是计算机视觉领域的经典模型。下面将基于 PyTorch 实现 ResNet18 的核心模块（残差块），并组合成完整网络。
1. 定义残差块（Residual Block）
ResNet18 包含两种残差块：
BasicBlock：正常残差块，输入与输出通道数相同，直接相加。
DownBlock：下采样残差块，通过 1×1 卷积调整输入通道数和分辨率，确保与输出形状一致。
2. 组合残差块构建 ResNet18
ResNet18 的结构为：卷积层→BatchNorm→最大池化→4 个残差层→自适应平均池化→全连接层，其中每个残差层由 2 个残差块组成。
五、模型训练的完整流程
构建好模型后，还需要通过训练让模型学习数据规律。PyTorch 模型训练的核心流程可概括为以下 6 步：
1.加载预处理数据集
2.定义损失函数
3.定义优化方法
4.循环训练模型
5.循环测试或验证模型
6.可视化结果
六、总结
本文从神经网络的核心组件出发，详细讲解了 PyTorch 构建模型的 3 种方式（继承nn.Module、nn.Sequential、nn.Module+ 容器），并通过实战实现了经典的 ResNet18 网络，最后梳理了模型训练的完整流程。掌握这些内容后，你可以：
- 根据任务复杂度选择合适的建模方式；
- 自定义复杂网络（如 ResNet、Transformer）；
- 独立完成从数据加载到模型训练、评估的全流程。
PyTorch 的灵活性在于其模块化设计，后续可进一步探索迁移学习、模型保存与加载、分布式训练等进阶内容，不断提升深度学习工程能力。