Pytorch-04 搭建神经网络架构工作流
搭建神经网络架构
在pytorch中，神经网络被抽象成由一系列对数据执行特定操作的层或者模块组成，比如下面的Attention实现，每个块都是一个模块或者层。
如果你想快速搭建网络架构，torch.nn这个命名空间提供了所有很多开箱即用的层/模块/算子：
如果你想自定义一个模块也是完全可以的。每个模块都是nn.Module的子类，你只需要继承然后复写即可，这个后面有例子。
这种简洁的架构抽象可以让使用pytorch的人们快速搭建并管理精妙的模型架构。
接下来，我们将搭建一个神经网络来分类FashionMNIST数据集，来过一遍搭建网络的工作流。
import osimport torchfrom torch import nnfrom torch.utils.data import Dataloaderfrom torchvision import datasets, transforms1. 获取可能的加速设备
为了在 加速器（accelerator） 上训练我们的模型，例如 CUDA、MPS、MTIA 或 XPU，我们将遵循以下逻辑：
如果当前设备有可用的加速器，我们就使用它；否则，我们将使用 CPU。
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else \"cpu\"print(f\"Using {device} device\")2. 搭建网络结构
2.1 定义网络类
通过继承nn.Module，我们可以定义我们的神经网络类，并且在__init__里面定义我们要用到的模块或者层。然后实现forward方法来定义对输入模型的数据的实际操作以及操作顺序，并且返回推理结果。
class NeuralNetwork(nn.Module):def __init__(self):super().__init__()self.faltten = nn.Faltten() # 展平层self.linear_relu_stack = nn.Sequential( # 定义一个序列模块，被调用时会依次执行所含模块nn.Linear(28*28, 512),nn.ReLU(),nn.Linear(512, 512),nn.ReLU(),nn.Linear(512, 10),)def forward(self, x):x = self.flatten(x)logit = self.linearr_relu_stack(x)return logits注意，
__init__只负责把需要的块给初始化出来，具体数据是怎么在块间流动由forward实现。
2.2 实例化网络并查看结构
现在我们实例化网络，并且把它搬到device侧，然后打印出他的结构：
model = NeuralNetwork().to(device)print(model)
2.3 进行网络“冒烟测试”
搭建好网络结构之后，强烈建议进行一次“冒烟测试”，用一个符合输入shape的tensor看看整个网络能不能跑通。
要给模型传入数据进行推理，直接给模型传入数据即可，千万别直接调用forward方法，因为model(x)还会做一些forward没做的一些其他必要操作。
X = torch.rand(1, 28, 28, device=device)logits = model(X)print(logits.shape)pred_probab = nn.Softmax(dim=1)(logits)print(pred_probab)y_pred = pred_probab.argmax(1)print(f\"Predicted class: {y_pred}\")
给模型输入数据之后，模型返回一个2维的tensor，dim=0的数据是batch中的具体样本idx，dim=1的数据则是输出的这个样本的所属10个不同类别的预测值。最后我们套一层nn.Softmax， 就可以获得每个类别的概率pred_probab了。最后对其使用argmax(1)找到该张量在dim=1维度上的最大值索引，就获得了这一次推理的分类结果。
3. 进阶操作：获取模型当前的参数
如果你想要一点可解释性，你可能得用到这个
神经网络中的许多层都是参数化的，也就是说，它们有相关的权重（weights）和偏差（biases），这些值会在训练过程中进行优化。
当你的模型继承自 nn.Module 时，PyTorch 会自动追踪模型对象中定义的所有字段。因此，你可以通过模型的 parameters() 或 named_parameters() 方法来访问所有这些参数。
print(model)for name, param in model.named_parameters():pritn(f\"Layer: {name} | Size: {param.size()} | Values : {param[:2]} \\n\") # 矩阵获取前两行，bias获取前两个在这个例子中，我们遍历了每一个参数，并打印出它的尺寸（size）和部分值预览。
