PyTorch入门学习（六）：神经网络的基本骨架使用

目录

一、引言

二、创建神经网络骨架

三、执行前向传播

---

一、引言

神经网络是深度学习的基础。在PyTorch中，可以使用nn.Module类创建自定义神经网络模型。本文将演示如何创建一个简单的神经网络骨架并执行前向传播操作。

二、创建神经网络骨架

首先，导入PyTorch库并创建一个继承自nn.Module的自定义神经网络模型：

import torch
from torch import nnclass Tudui(nn.Module):def __init__(self):super().__init__()def forward(self, input):output = input + 1return outputtudui = Tudui()

• 导入PyTorch库以便使用深度学习工具。
• 创建一个名为Tudui的自定义神经网络模型，它继承自nn.Module。
• 在__init__方法中，调用父类的构造函数，初始化神经网络。
• forward方法定义神经网络的前向传播过程，其中对输入进行了简单的操作，将输入加1。

三、执行前向传播

接下来，执行前向传播操作，将输入数据传递给神经网络模型：

x = torch.tensor(1.0)
output = tudui(x)
print(output)

• 创建一个名为x的张量，其值为1.0，作为输入数据。
• 通过调用Tudui模型的实例tudui并传递输入数据x，执行前向传播操作。
• 最后，打印前向传播的输出结果。

完整代码如下：

import torch
from torch import nn# 创建一个自定义神经网络模型 Tudui
class Tudui(nn.Module):def __init__(self):super().__init__()def forward(self, input):# 前向传播函数，将输入加1并返回output = input + 1return output# 创建 Tudui 类的实例 tudui
tudui = Tudui()# 创建一个张量 x，值为1.0，作为输入数据
x = torch.tensor(1.0)# 将输入 x 传递给 tudui 模型，执行前向传播
output = tudui(x)# 打印前向传播的输出结果
print(output)

参考资料：

视频教程：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】