PyTorch 中 torch.nn 模块的作用是什么？

推荐答案

torch.nn 模块是 PyTorch 中用于构建神经网络的模块。它提供了各种预定义的层（如全连接层、卷积层、池化层等）和损失函数，帮助用户快速构建和训练神经网络模型。torch.nn 模块的核心是 nn.Module 类，所有自定义的神经网络层和模型都需要继承该类，并通过 forward 方法定义前向传播的逻辑。

本题详细解读

1. torch.nn 模块的核心功能

torch.nn 模块提供了以下核心功能：

• 神经网络层：如 nn.Linear（全连接层）、nn.Conv2d（卷积层）、nn.MaxPool2d（最大池化层）等。
• 激活函数：如 nn.ReLU、nn.Sigmoid、nn.Tanh 等。
• 损失函数：如 nn.MSELoss（均方误差损失）、nn.CrossEntropyLoss（交叉熵损失）等。
• 容器类：如 nn.Sequential、nn.ModuleList 等，用于组织和管理多个层。

2. nn.Module 类

nn.Module 是所有神经网络模块的基类。自定义的神经网络模型通常需要继承 nn.Module 并实现 forward 方法。forward 方法定义了模型的前向传播逻辑。

// www.javascriptcn.com code example
import torch.nn as nn
import torch.nn.functional as F

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        return F.relu(self.conv2(x))

3. torch.nn 的使用场景

torch.nn 模块广泛应用于以下场景：

• 构建神经网络模型：通过组合不同的层和激活函数，构建复杂的神经网络结构。
• 定义损失函数：选择合适的损失函数来衡量模型的预测误差。
• 模型训练：与 torch.optim 模块结合，使用优化器对模型进行训练。

4. 示例代码

以下是一个简单的全连接神经网络的示例：

// www.javascriptcn.com code example
import torch
import torch.nn as nn
import torch.optim as optim

class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        return self.fc2(x)

# 实例化模型、定义损失函数和优化器
model = SimpleNet()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 假设输入数据为 100 个样本，每个样本有 784 个特征
inputs = torch.randn(100, 784)
labels = torch.randint(0, 10, (100,))

# 前向传播
outputs = model(inputs)
loss = criterion(outputs, labels)

# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()

在这个示例中，SimpleNet 类继承自 nn.Module，并定义了一个简单的全连接神经网络。通过 nn.Linear 定义了两个全连接层，并在 forward 方法中实现了前向传播逻辑。