可以使用torch.nn包构建神经网络。

现在你已经看到了autograd，nn取决于autograd定义模型并区分它们。一个nn.Module包含图层，一个forward(input)返回的方法output。

例如，看看这个网络分类数字图像：

这是一个简单的前馈网络。它需要输入，一个接一个地将它提供多个层，然后最后给出输出。

神经网络的典型训练过程如下：

1. 定义具有一些可学习参数（或权重）的神经网络
2. 迭代输入数据集
3. 通过网络处理输入
4. 计算损失（输出距离是正确的）
5. 传播梯度回到网络的参数
6. 更新网络的权重，通常使用简单的更新规则： weight = weight - learning_rate * gradient

定义网络

我们来定义这个网络：

import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 1 input image channel, 6 output channels, 5x5 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # Max pooling over a (2, 2) window
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # If the size is a square you can only specify a single number
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def num_flat_features(self, x):
        size = x.size()[1:]  # all dimensions except the batch dimension
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

net = Net()
print(net)

输出：

Net (
  (conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
  (conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
  (fc1): Linear (400 -> 120)
  (fc2): Linear (120 -> 84)
  (fc3): Linear (84 -> 10)
)

您只需定义forward函数，并backward自动为您使用定义函数（其中渐变的计算方式）autograd。您可以在forward功能中使用任何Tensor操作。

模型的可学习参数返回 net.parameters()

params = list(net.parameters())
print(len(params))
print(params[0].size())  # conv1's .weight

输出：

10
torch.Size([6, 1, 5, 5])

输入输出都是autograd.Variable

input = Variable(torch.randn(1, 1, 32, 32))
out = net(input)
print(out)

输出：

Variable containing:
 0.1257 -0.0564 -0.0549 -0.1289  0.1114  0.0916  0.0308  0.0477 -0.1268 -0.0780
[torch.FloatTensor of size 1x10]