“Hello 神经网络！”

神经网络搭建和参数计算

在pytorch中定义深度神经网络其实就是层堆叠的过程，继承自nn.Module，实现两个方法：

_init_方法中定义网络中的层结构，主要是全连接层，并进行初始化
forward方法，在实例化模型的时候，底层会自动调用该函数。该函数中为初始化定义的
layer传入数据，进行前向传播等。

code

python 复制代码

'''
神经网络搭建
步骤：准备数据-搭建神经网络-模型训练-模型测试

搭建神经网络步骤：定义一个类，继承nn.Module
               在__init__方法中定义网络的层
               在forward方法中定义网络的前向传播
'''
from cgi import print_arguments
import torch
import torch.nn as nn
from torchsummary import summary
import sys
sys.stdout.reconfigure(encoding='utf-8')  # Python 3.7+ 支持
#todo:搭建神经网络
class ModelDemo(nn.Module):
    #在__init__方法中定义网络的层
    def __init__(self):
        super().__init__()
        #搭建神经网络：隐藏层+输出层
        #隐藏层
        self.linear1=nn.Linear(3,3)
        self.linear2=nn.Linear(3,2)
        #输出层
        self.output=nn.Linear(2,2)

        #对隐藏层进行初始化
        nn.init.xavier_normal_(self.linear1.weight)
        nn.init.zeros_(self.linear1.bias)
        nn.init.xavier_normal_(self.linear2.weight)
        nn.init.zeros_(self.linear2.bias)
    

    def forward(self,x):
        #隐藏层：加权求和+激活函数
        #分解版写法
        # x=slef.liner1(x)
        # x=torch.sigmoid(x)
        #合并版
        x=torch.sigmoid(self.linear1(x))
        x=torch.relu(self.linear2(x))
        #dim=-1表示按行计算 
        x=torch.softmax(self.output(x),dim=-1)

        return x

def train():
    #创建模型
    model=ModelDemo()
    # print('我的模型：',model)

    #创建数据集
    data=torch.randn(size=(5,3))
    print('我的数据集：',data)
    print('我的数据集的形状：',data.shape)
    print('我的数据集的是否自动微分：',data.requires_grad)

    #调用神经网络
    output=model(data)
    print('我的输出：',output)
    print('我的输出的形状：',output.shape)
    print('我的输出的是否自动微分：',output.requires_grad)

    #计算和查看模型参数
    print('==============计算模型参数数===============')
    summary(model,input_size=(5,3))

    print('==============查看模型参数数===============')
    for name,param in model.named_parameters():
        print('神经网络层级：',name)
        print('参数：',param)
        print('--------------------------')

if __name__ == '__main__':
    train()