一、搭建模型的步骤
在 PyTorch 中，可以使用 torch.nn 模块来搭建深度学习模型。具体步骤如下：
-
定义一个继承自
torch.nn.Module的类，这个类将作为我们自己定义的模型。 -
在类的构造函数
__init__()中定义网络的各个层和参数。可以使用torch.nn模块中的各种层，如Conv2d、BatchNorm2d、Linear等。 -
在类中定义前向传播函数
forward()，实现模型的具体计算过程。 -
将模型部署到 GPU 上，可以使用
model.to(device)将模型移动到指定的 GPU 设备上。
二、简单的例子
下面是一个简单的例子，演示了如何使用 torch.nn 模块搭建一个简单的全连接神经网络：
import torch.nn as nn
class MyNet(nn.Module):
def __init__(self):
super(MyNet, self).__init__()
self.fc1 = nn.Linear(784, 512)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(512, 10)
def forward(self, x):
x = x.view(-1, 784)
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
return x
MyNet 的神经网络类，它继承自 torch.nn.Module。在构造函数 __init__() 中定义了两个全连接层，一个 ReLU 激活函数，并将它们作为网络的成员变量。在前向传播函数 forward() 中，首先将输入的图像数据 x 压成一维向量，然后依次经过两个全连接层和一个 ReLU 激活函数，最终得到模型的输出结果。
在模型训练之前，需要将模型部署到 GPU 上，可以使用以下代码将模型移动到 GPU 上：
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model = MyNet().to(device)
如何将loss函数添加到模型中去呢？
在 PyTorch 中，通常将损失函数作为单独的对象来定义，并在训练过程中手动计算和优化损失。为了将损失函数添加到模型中，需要在模型类中添加一个成员变量，然后在前向传播函数中计算损失。
下面是一个例子，演示了如何在模型中添加交叉熵损失函数：
import torch.nn as nn
class MyNet(nn.Module):
def __init__(self):
super(MyNet, self).__init__()
self.fc1 = nn.Linear(784, 512)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(512, 10)
self.loss_fn = nn.CrossEntropyLoss()
def forward(self, x, y):
x = x.view(-1, 784)
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
loss = self.loss_fn(x, y)
return x, loss
在模型类 MyNet 的构造函数中添加了一个成员变量 self.loss_fn，它是交叉熵损失函数。在前向传播函数 forward() 中，传入两个参数 x 和 y，其中 x 是输入图像数据，y 是对应的标签。在函数中先执行正向传播计算，然后计算交叉熵损失，并将损失值作为输出返回。
实际训练代码
在实际训练过程中，首先将模型输出结果 x 和标签 y 传入前向传播函数 forward() 中计算损失，然后使用优化器更新模型的权重和偏置。代码如下：
model = MyNet()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for inputs, labels in data_loader:
inputs = inputs.to(device)
labels = labels.to(device)
optimizer.zero_grad()
outputs, loss = model(inputs, labels)
loss.backward()
optimizer.step()
在上面的代码中，使用随机梯度下降优化器 torch.optim.SGD 来更新模型的参数。在每个批次中，首先将输入数据和标签移动到 GPU 上，然后使用 optimizer.zero_grad() 将梯度清零。接着执行前向传播计算，并得到损失值 loss。最后使用 loss.backward() 计算梯度并执行反向传播，使用 optimizer.step() 更新模型参数。
2023.03.27更新 完整的代码
# -*-coding:utf-8-*-
# !/usr/bin/env python
# @Time : 2023/3/27 上午11:00
# @Author : loveinfall uestc
# @File : csdn_test_.py
# @Description :
import torch
import torch.nn as nn
import torch.utils.data as data
import cv2
####################### model ###########################
class MyNet(nn.Module):
def __init__(self):
super(MyNet, self).__init__()
self.fc1 = nn.Linear(784, 512)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(512, 10)
def forward(self, x):
x = x.view(-1, 784)
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
return x
###################### end ##############################
################# loss 函数 #############################
loss_fn = nn.CrossEntropyLoss()
################## end ################################
#################### dataloader 需要自己构建 ############
class image_folder(data.Dataset):
def __init__(self):
self.image_dirs = []#构造数据读取路径列表
self.label_dirs = []
def __getitem__(self,index):
image = cv2.imread(self.image_dirs[index])
label = 'read data'#根据实际情况，写
return image,label
def __len__(self):
return 'len(data)'
train_dataset = image_folder()
data_loader = data.DataLoader(
train_dataset,
batch_size=3,
shuffle=True,
num_workers=2,
pin_memory=True)
#################### end ################################
##################### train #######################@#####
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model = MyNet().to(device)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for inputs, labels in data_loader:
inputs = inputs.to(device)
labels = labels.to(device)
optimizer.zero_grad()
outputs = model(inputs)
loss = loss_fn(outputs,labels)
loss.backward()
optimizer.step()