持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第4天，点击查看活动详情
上一篇文章，学习笔记(一)中通过几个简单的例子，简略介绍了Pytorch的一些基本用法，如同numpy一样，pytorch的使用也是非常便捷，由于可以使用gpu进行加速计算，因此在很大程度上，其应用的场景不亚于numpy。
本篇文章，先从构建一个简单的网络开始，慢慢的举例说明pytorch在深度学习中的强大作用。
首先，设计一个网络，假设这个网络有一个卷积层1，在卷积层1后面跟了一个relu激活函数，然后接着就是一次最大池化；然后一个卷积层2，同样，在后面跟了一个relu激活函数和一个最大池化。然后就是一个全连接1加一个relu,一个全连接2加一个relu，最后一个全连接进行输出。
整个网络的结构就是如此，下面我们自己新建一个Net类，在这个Net类中实现上述的网络结构，代码如下
class Net(nn.Module):
def __init__(self, in_channels, middle_channels, out_channels):
'''
定义卷积、全连接层等几个操作，无顺序可言
:param in_channels:
:param middle_channels:
:param out_channels:
'''
super(Net, self).__init__()
self.relu = nn.ReLU(inplace=True)
self.conv1 = nn.Conv2d(in_channels, middle_channels, 5)
# self.bn1 = nn.BatchNorm2d(middle_channels)
self.conv2 = nn.Conv2d(middle_channels, out_channels, 5)
# self.bn2 = nn.BatchNorm2d(out_channels)
self.fc1 = nn.Linear(out_channels*5*5, 120)
self.fc2 = nn.Linear(120, 60)
self.fc3 = nn.Linear(60, 10)
def forward(self, x):
'''
定义网络的结构顺序，完成前向的传播，这里的顺序就是整个网络结构的顺序
:param x:
:return:
'''
# 卷积层后跟一个池化层
x = F.max_pool2d(self.relu(self.conv1(x)), (2, 2))
x = F.max_pool2d(self.relu(self.conv2(x)), 2)
# view中给定第一个参数为-1表示，让系统自动计算前面的维度大小
x = x.view(-1, self.feature_size(x))
x = self.relu(self.fc1(x))
x = self.relu(self.fc2(x))
x = self.fc3(x)
return x
def feature_size(self, x):
'''
计算特征图的数量
:param x:
:return:
'''
numer = x.size()#[0:]
num_feature = 1
for num in numer:
num_feature *= num
return num_feature
其中init函数中通过给网络层起别名的形式定义了几个网络结构，forward的作用是构成前向传播，也就是网络从头到尾的连接计算过程，从头部开始，经过一个输入，然后中间的部分都成为隐藏层，直到最后通过一个全连接层进行输出。
首先，对类进行实例化，可以查看整个网络的结构
然后，对网络中的参数进行一个赋值操作，in_channels=1,middle_channels=16, out_channels=32。此时查看一下网络的结构输入与输出的大小，如下
最后，我们可以使用mnist手写数据集进行验证，查看我们的网络预测结果是否准确。注意，mnist数据集的大小为28x28，而网络的输入为32x32，因此在进行测试的时候注意数据大小的转换。
下面是我测试的一组结果
由于我们现在设计的网络相对较为简单，因此预测的结果不准确是正常的，本文的主要目的就是了解一下如何构建自己的网络结构，在后面的博客中我会继续设计新的复杂的网络结构，然后通过这个简单到复杂的过程，慢慢的掌握其中的要点。
