PyTorch学习笔记之神经网络包 nn 和优化器 optim

---

torch.nn 是专门为神经网络设计的模块化接口。构建于 Autograd 之上，可用来定义和运行神经网络。下面介绍几个常用的类：

注： torch.nn 为了方便使用，将它设置成 nn 的别名。

除了 nn 别名以外，我们还引用了 nn.functional，这个包中包含了神经网络中使用的一些常用的函数，这些函数的特点是，不具有可学习的参数（ReLu, pool, DropOut 等），这些函数可以放在构造函数中，也可以不放，但是这里建议不放。

一般情况下，我们将 nn.functional 设置为大写的 F, 这样缩写方便调用

 

• 定义一个网络

PyTorch 中已经为我们准备好了现成的网络模型，只要继承 nn.module，并实现它的 forward 方法， PyTorch 会根据 autograd，自动实现 backward 函数，在 forward 函数中可使用任何 tensor 支持的函数，还可以使用 if、for 循环、print、 log 等 Python 语法，写法和标准的 Python 写法一致。

 

网络的可学习参数通过 net.parameters() 返回。

 

net.named_parameters 可以同时返回可学习的参数及名称。

 

forward 函数的输入和输出都是 Tensor。

 

在反向传播前，先要将所有参数的梯度清零。

 

注意 ：torch. nn 只支持 mini-batches，不支持一次只输入一个样本，即一次必须是一个 batch。

也就是说，就算我们输入一个样本，也会对样本进行分批，所以，所有的输入都会增加一个维度，我们对比下刚才的nn中定义为3维，但是我们人工创建时多增加了一个维度，变为了4 维，最前面的 1 即为 batch-size。

 

• 损失函数

在 nn 中 PyTorch 还预制了常用的损失函数，下面我们用 MSELOSS 用来计算均方误差

 

• 优化器

在反向传播中计算完所有参数的梯度后，还需要使用优化方法来更新网络的权重和参数，例如随机梯度下降法（SGD）的更新策略如下:

 torch.optim中实现大多数的优化方法，例如：RMSProp、Adam、SGD 等，下面我们使用SGD 做个简单的样例：