1. 神经网络_搭建流程介绍
（想搭建一个自己的神经网络类，写一个类继承 nn.Module，重新两个方法：__init__和forward；__init__加了双下划线的叫魔法方法，特点是 不需要手动调，在特定场合下会自动调用；几个隐藏层、几个输出层、每个隐藏层有几个神经元都是在 init里定义；forward 前向传播，此方法所以然不是魔法方法，但其用法与魔法方法一样，实例化模型时，底层会自动调用 forward 方法；
➕1指 bias，隐藏层 1的输入有3 个，输出有 3个即 Linear(3，3)，隐藏层 1的输入有3 个，输出有 2个即 Linear(3，2)，输出层（2，2）；整个模型参数个数？：隐藏层 1的每个神经元有 4个参数(3个x + 1个偏置)，∴隐藏层 1参数共 4 *3=12个；隐藏层 12的每个神经元有 4个参数(3个x + 1个偏置)，∴隐藏层 2参数共 4 *2=8个；输出层的每个神经元有 3个参数(2个x + 1个偏置)，∴输出层参数共 3 *2=6个；所以整个模型参数共 12+8+6=26个；）
2. 神经网络_搭建代码实现
（dim=-1,表示按行计算即一条样本 一条样本的处理，如 5行3列的一批数据，处理时先拿出第1行数据，对其转置，然后把这行数据的各个列充当特征进行计算；再依次处理第 2行、第 3行… ∴dim=-1表示按行处理；）
3. 神经网络_模型训练
（batch_size =5即5 批，每批次 5条，每条 3个特征，即输入层（5，3），每个样本有 3列；隐藏层 1处理完 是3列即（5，3），隐藏层2 处理完 2列（5，2），输出层 2列，所以输出层是（5，2）；）
代码：
""" 案例：演示神经网络搭建流程 深度学习案例的4个步骤: 1.准备数据. 2.搭建神经网络 3.模型训练 4.模型测试 神经网络搭建流程: 1.定义一个类，继承:nn.Module 2.在_init_(方法中，搭建神经网络. 3.在forward()方法中，完成:前向传播. """# 导包importtorchimporttorch.nnasnnfromtorchsummaryimportsummary# 计算模型参数，查看模型结构# todo：1.搭建神经网络，即：自定义类继承nn.ModuleclassModelDemo(nn.Module):# todo：1.在init魔法方法中 完成初始化 父类成员，及神经网络搭建def__init__(self):# 1.1 初始化父类super().__init__()# 1.2 搭建神经网络 --> 隐藏层 + 输出层# 1.2.1 创建隐藏层# 隐藏层1：输入特征数 3，输出特征数 3self.linear1=nn.Linear(in_features=3,out_features=3)# 隐藏层2：输入特征数 3，输出特征数 2self.linear2=nn.Linear(in_features=3,out_features=2)# 输出层：输入特征数 2，输出特征数 2self.output=nn.Linear(in_features=2,out_features=2)# 1.3 对隐藏层进行参数初始化# 隐藏层1nn.init.xavier_normal_(self.linear1.weight)nn.init.zeros_(self.linear1.bias)# 隐藏层2nn.init.kaiming_normal_(self.linear2.weight)nn.init.zeros_(self.linear2.bias)# todo: 1.2 前向传播：传入层 --> 隐藏层1 ---> 隐藏层2 ---> 输出层defforward(self,x):# 1.1 第1层 隐藏层计算：加权求和 + 激活函数(Sigmoid)# 分解版写法# x = self.linear1(x) # 加权求和# x = torch.sigmoid(x) # 激活函数# 合并版写法x=torch.sigmoid(self.linear1(x))# 1.2 第2层 隐藏层计算：加权求和 + 激活函数(ReLU)x=torch.relu(self.linear2(x))# 1.3 输出层计算：加权求和 + 激活函数(Softmax)# dim=-1,表示按行计算即一条样本一条样本的处理x=torch.softmax(self.output(x),dim=-1)# 1.4 返回预测值returnx# todo：2.模型训练deftrain():# 1.创建模型my_model=ModelDemo()# print(f"my_model: {my_model}")# 2.创建数据集样本，随机生成data=torch.randn(size=(5,3))print(f"data:{data}")print(f"data.shape:{data.shape}")# (5行, 3列)print(f"data.requires_grad:{data.requires_grad}")# 默认为False 不自动微分# 3.调用神经网络模型 --> 进行模型训练output=my_model(data)# 底层自动调用了 forward()方法进行前向传播 ∴会自动微分？print(f"output:{output}")print(f"output.shape:{output.shape}")# (5行, 2列)print(f"output.requires_grad:{output.requires_grad}")# True 自动微分# 4.计算和 查看模型参数# 参1：(神经网络)模型对象，参2：输入数据维度(5行3列)print('=============计算模型参数=============')summary(my_model,input_size=(5,3))# 计算模型参数print('=============查看模型参数=============')forname,paraminmy_model.named_parameters():print(f"name:{name}")print(f"param:{param}\n")# print(f"param.shape: {param.shape}")# print(f"param.requires_grad: {param.requires_grad}")# todo：3.测试if__name__=='__main__':train()
