PyTorch搭建神经网络

核心结论：用 PyTorch 搭建神经网络主要有两种方式，自定义模型灵活适配复杂需求，Sequential 快速搭建简单顺序结构，关键是明确层结构、初始化参数和查看模型信息。

一、核心概念：模型是 "层的组合"

神经网络的核心是把不同功能的层（比如全连接层、激活层）按顺序拼起来，就像搭积木。PyTorch 里所有模型和层都基于**Module**类，只要继承它并实现两个核心方法，就能自定义模型。

二、两种搭建方式

1. 自定义模型（灵活款）

适合复杂结构（比如多分支、特殊逻辑），需要手动定义层和数据流向。

步骤：
1. 继承torch.nn.Module，在__init__里定义各层（比如全连接层、激活层），并初始化权重（比如 Xavier 适配 Tanh，He 适配 ReLU）。
2. 在forward里写数据传播路径：输入→第一层→激活函数→第二层→...→输出。
优势：想怎么改就怎么改，支持各种复杂逻辑。

根据上图的神经网络Pytorch代码实现：

第1个隐藏层：使用Xavier 正态分布初始化权重，激活函数使用 Tanh。
第 2个隐藏层：使用 He正态分布初始化权重，激活函数使用ReLU。
输出层：按默认方式初始化，激活函数使用 Softmax。

#自定义模型
import torch
import torch.nn as nn

class Model(nn.Module):
def init(self):
super(Model,self).init() #继承父类初始化
self.linear1 = nn.Linear(3,4) #第一个隐藏层，输入3个特征，输出4个特征
nn.init.xavier_normal_(self.linear1.weight) #初始化权重
self.linear2 = nn.Linear(4,4) #第二个隐藏层，输入4个特征，输出4个特征
nn.init.kaiming_normal_(self.linear2.weight) #第二个隐藏层，输入4个特征，输出4个特征
self.linear3 = nn.Linear(4,2) #输出层，输入4个特征，输出1个特征,默认使用He初始化
复制代码
```
  def forward(self,x):
      x = self.linear1(x)     #经过第一个隐藏层
      x = torch.relu(x)       #激活函数
      x = self.linear2(x)     #经过第二个隐藏层
      x = torch.relu(x)       #激活函数
      x = self.linear3(x)     #输出层
      x = torch.softmax(x,dim=1)    #激活函数
      return x        
```
model = Model()
output = model(torch.randn(10,3))
print("输出：\n",output)
print()

#使用named_paremeters()查看各层参数
print("模型参数：")
for name,param in model.named_parameters():
print(name,":",param.size())
print()

#使用state_dict()查看各层参数
print("模型参数：\n",model.state_dict())

查看模型结构与参数数量：

可使用 torchsummary.summary 来查看模型结构与参数数量。需要先安装torchsumm库:

复制代码

pip install torchsummary

#模型结构和参数查看
from torchsummary import summary
# input_size:特征数，batch_size:样本数
summary(model, input_size=(3,), batch_size=10, device="cpu")

2. Sequential 搭建（快捷款）

适合简单的 "顺序结构"（一层接一层，无分支），直接按顺序传入层即可。

步骤：
1. 把要用到的层按顺序放进nn.Sequential()里，自动按顺序执行。
2. 用apply()方法批量初始化各层参数（比如给所有全连接层初始化权重）。
优势：代码简洁，不用写forward，快速搭建基础模型。

#构建模型
model = nn.Sequential(
nn.Linear(3,4),
nn.Tanh(),
nn.Linear(4,4),
nn.ReLU(),
nn.Linear(4,2),
nn.Softmax(dim=1)
)

#初始化参数
def init_weights(m):
"""判断当前层是否为线性层（全连接层）。
如果是，则执行下面的初始化操作；
如果不是（例如卷积层、RNN层），则跳过。"""
if type(m) == nn.Linear:
nn.init.xavier_normal_(m.weight) #初始化权重
m.bias.data.fill_(0.01) #填充0.01偏置

model.apply(init_weights)#apply会遍历所有子模块依次调用函数

output = model(torch.randn(10,3))
print("输出：\n",output)

三、关键操作：查看模型信息

搭好模型后，需要确认结构和参数是否正确：

查看参数：用named_parameters()或state_dict()，能看到每一层的权重、偏置数值。
查看结构和参数数量：用torchsummary.summary()，输入输入数据的形状，就能看到每层的输出形状、参数个数，避免结构出错。

四、通俗总结

简单任务用 Sequential，几行代码搞定；复杂任务用自定义模型，灵活适配需求。
初始化权重有讲究：ReLU 配 He 初始化，Tanh/Sigmoid 配 Xavier 初始化，避免模型 "学不动"。
搭完必看结构和参数，确认每层输出符合预期，不然训练时容易报错。