一 
  
  
  
  
  
  
、搭建模型的步骤

在 PyTorch 中              ，可以使用 torch.nn 模块来搭建深度学习模型 
  
  
  
  
  
  
。具体步骤如下：

定义一个继承自 torch.nn.Module 的类
 
  
 
  
 
  
 
  
 
  
 
  
 
 ，这个类将作为我们自己定义的模型 
  
  
  
  
  
  
 。

在类的构造函数 __init__() 中定义网络的各个层和参数

 


 


 


 


 


 


 。可以使用 torch.nn 模块中的各种层













，如 Conv2d 
  
  
  
  
  
  
 、BatchNorm2d

 


 


 


 


 


 


 、Linear 等 
 
 
 
 
 
 
。

在类中定义前向传播函数 forward()  
  
  
  
  
  
  ，实现模型的具体计算过程 
   
   
   
   
   
   
 。

将模型部署到 GPU 上 
  
  
  
  
  
  
 ，可以使用 model.to(device) 将模型移动到指定的 GPU 设备上
 

 

 

 

 

 

 。

二 
 
 
 
 
 
 
、简单的例子

下面是一个简单的例子


 


 


 


 


 


 


，演示了如何使用 torch.nn 模块搭建一个简单的全连接神经网络：

import torch.nn as nn class MyNet(nn.Module): def __init__(self): super(MyNet, self).__init__() self.fc1 = nn.Linear(784, 512) self.relu = nn.ReLU() self.fc2 = nn.Linear(512, 10) def forward(self, x): x = x.view(-1, 784) x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x

MyNet 的神经网络类 
 
 
 
 
 
 ，它继承自 torch.nn.Module
 

 

 

 

 

 

 
。在构造函数 __init__() 中定义了两个全连接层  
   
   
   
   
   
   
 ，一个 ReLU 激活函数

 

 

 

 

 

 

，并将它们作为网络的成员变量             。在前向传播函数 forward() 中
 

 

 

 

 

 

 ，首先将输入的图像数据 x 压成一维向量              ，然后依次经过两个全连接层和一个 ReLU 激活函数
 

 
 

 
 

 
 

 
 

 
 

 
 

，最终得到模型的输出结果 

 
 

 
 

 
 

 
 

 
 

 
 

 。

在模型训练之前












，需要将模型部署到 GPU 上                     ，可以使用以下代码将模型移动到 GPU 上：

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model = MyNet().to(device)

如何将loss函数添加到模型中去呢？

在 PyTorch 中
 
 
 
 
 
 
 
 
 
 
 
 
 
，通常将损失函数作为单独的对象来定义



















，并在训练过程中手动计算和优化损失













。为了将损失函数添加到模型中              ，需要在模型类中添加一个成员变量
 
  
 
  
 
  
 
  
 
  
 
  
 
 ，然后在前向传播函数中计算损失                    。

下面是一个例子













，演示了如何在模型中添加交叉熵损失函数：

import torch.nn as nn class MyNet(nn.Module): def __init__(self): super(MyNet, self).__init__() self.fc1 = nn.Linear(784, 512) self.relu = nn.ReLU() self.fc2 = nn.Linear(512, 10) self.loss_fn = nn.CrossEntropyLoss() def forward(self, x, y): x = x.view(-1, 784) x = self.fc1(x) x = self.relu(x) x = self.fc2(x) loss = self.loss_fn(x, y) return x, loss

在模型类 MyNet 的构造函数中添加了一个成员变量 self.loss_fn  
  
  
  
  
  
  ，它是交叉熵损失函数 
 
 
 
 
 
 
 
 
 
 
 
 
 。在前向传播函数 forward() 中 
  
  
  
  
  
  
 ，传入两个参数 x 和 y


 


 


 


 


 


 


，其中 x 是输入图像数据 
 
 
 
 
 
 ，y 是对应的标签




















。在函数中先执行正向传播计算  
   
   
   
   
   
   
 ，然后计算交叉熵损失

 

 

 

 

 

 

，并将损失值作为输出返回             。

实际训练代码

在实际训练过程中
 

 

 

 

 

 

 ，首先将模型输出结果 x 和标签 y 传入前向传播函数 forward() 中计算损失              ，然后使用优化器更新模型的权重和偏置 
  
 
  
 
  
 
  
 
  
 
  
 
  。代码如下：

model = MyNet() optimizer = torch.optim.SGD(model.parameters(), lr=0.01) for inputs, labels in data_loader: inputs = inputs.to(device) labels = labels.to(device) optimizer.zero_grad() outputs, loss = model(inputs, labels) loss.backward() optimizer.step()

在上面的代码中
 

 
 

 
 

 
 

 
 

 
 

 
 

，使用随机梯度下降优化器 torch.optim.SGD 来更新模型的参数













。在每个批次中












，首先将输入数据和标签移动到 GPU 上                     ，然后使用 optimizer.zero_grad() 将梯度清零 
  
  
  
  
  
  
。接着执行前向传播计算
 
 
 
 
 
 
 
 
 
 
 
 
 
，并得到损失值 loss 
  
  
  
  
  
  
 。最后使用 loss.backward() 计算梯度并执行反向传播



















，使用 optimizer.step() 更新模型参数

 


 


 


 


 


 


 。

2023.03.27更新 完整的代码

# -*-coding:utf-8-*- # !/usr/bin/env python # @Time : 2023/3/27 上午11:00 # @Author : loveinfall uestc # @File : csdn_test_.py # @Description : import torch import torch.nn as nn import torch.utils.data as data import cv2 ####################### model ########################### class MyNet(nn.Module): def __init__(self): super(MyNet, self).__init__() self.fc1 = nn.Linear(784, 512) self.relu = nn.ReLU() self.fc2 = nn.Linear(512, 10) def forward(self, x): x = x.view(-1, 784) x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x ###################### end ############################## ################# loss 函数 ############################# loss_fn = nn.CrossEntropyLoss() ################## end ################################ #################### dataloader 需要自己构建 ############ class image_folder(data.Dataset): def __init__(self): self.image_dirs = []#构造数据读取路径列表 self.label_dirs = [] def __getitem__(self,index): image = cv2.imread(self.image_dirs[index]) label = read data#根据实际情况              ，写 return image,label def __len__(self): return len(data) train_dataset = image_folder() data_loader = data.DataLoader( train_dataset, batch_size=3, shuffle=True, num_workers=2, pin_memory=True) #################### end ################################ ##################### train #######################@##### device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model = MyNet().to(device) optimizer = torch.optim.SGD(model.parameters(), lr=0.01) for inputs, labels in data_loader: inputs = inputs.to(device) labels = labels.to(device) optimizer.zero_grad() outputs = model(inputs) loss = loss_fn(outputs,labels) loss.backward() optimizer.step()