深度学习案例教程 课件3.4.2全连接神经网络搭建.pptx

实践任务2-全连接神经网络模型搭建1定义全连接神经网络在PyTorch中，torch.nn是专门为神经网络设计的模块化接口，，可以用于定义和运行神经网络。nn.Module是nn库中十分重要的类，它包含网络各层的定义以及forward函数。只要在nn.Module的子类中定义forward函数，backward函数就会被自动实现(利用autograd)。

实践任务2-全连接神经网络模型搭建1定义全连接神经网络importtorch.nnasnn#导入nn库

classNeuralNet(nn.Module):

def__init__(self,input_num,hidden_num,output_num):

super(NeuralNet,self).__init__()

self.fc1=nn.Linear(input_num,hidden_num)

self.fc2=nn.Linear(hidden_num,output_num)

self.relu=nn.ReLU()

defforward(self,x):

x=self.fc1(x)

x=self.relu(x)

y=self.fc2(x)

returny

实践任务2-全连接神经网络模型搭建1定义全连接神经网络#设置参数

epoches=20

lr=0.001

input_num=784

hidden_num=500

output_num=10

device=torch.device(cudaiftorch.cuda.is_available()elsecpu)

#创建网络模型

model=NeuralNet(input_num,hidden_num,output_num)

print(model)

实践任务2-全连接神经网络模型搭建1定义全连接神经网络运行后输出如下：NeuralNet((fc1):Linear(in_features=784,out_features=500,bias=True)(fc2):Linear(in_features=500,out_features=10,bias=True)(relu):ReLU())

实践任务2-全连接神经网络模型搭建2前向传播定义好网络模型后，我们会将所有的数据按照batch的方式进行输入，得到对应的网络输出，这就是所有的前向传播。

实践任务2-全连接神经网络模型搭建2前向传播#前向传播

images=images.reshape(-1,28*28)

image=images[:2]

label=labels[:2]

print(image.size())

print(label)

out=model(image)

print(out)

实践任务2-全连接神经网络模型搭建2前向传播运行程序输出的结果如下：torch.Size([2,784])tensor([0,6])tensor([[0.1336,0.2989,0.1140,-0.0331,0.1986,-0.1656,-0.1346,0.1204,-0.3536,0.2364],[0.3198,0.3422,-0.2137,0.2526,0.3694,-0.0444,-0.1710,-0.0321,0.1679,-0.2004]],grad_fn=AddmmBackward0)

实践任务2-全连接神经网络模型搭建3计算损失损失函数需要一对输入：模型输出和目标，用来评估输出值和目标值之间的差距，损失函数用loss表示，损失函数的作用就是计算神经网络每次迭代的前向计算结果和真实值之间的差距，从而指导模型下一步训练往正确的方向进行。常见的损失函数有交叉熵损失函数和均方误差损失函数。

实践任务2-全连接神经网络模型搭建3计算损失在PyTorch中,nn库模块提供了多种损失函数，常用的有以下几种：1.处理回归问题的nn.MSELoss函数，2.处理分类问题的nn.BCELoss函数，3.处理多分类问题的nn.CrossEntropyLoss函数。

实践任务2-全连接神经网络模型搭建3计算损失#定义损失函数

criterion=nn.CrossEntr