五、神经网络的搭建

具体代码见Python>pytorch文件中的 ==nn.ipynb== 文件

torch.nn
- 参考官方文档：torch.nn — PyTorch 2.6 documentation

1. nn.Module

骨架
torch.nn.Module()
- 搭建的神经网络都是继承这个类
官方给的例子：

import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module): # 继承Module类
    def __init__(self) -> None:
        super().__init__() # 调用父类（Module）的初始化函数
        self.conv1 = nn.Conv2d(1, 20, 5) # 自己写，定义卷积1操作
        self.conv2 = nn.Conv2d(20, 20, 5) # 自己写，定义卷积2操作

    def forward(self, x): # 前向传播函数
        x = F.relu(self.conv1(x)) # 先卷积1再经过relu层
        return F.relu(self.conv2(x)) # 再卷积2最后经过relu层，最后输出

注意理解每一行在干什么

2. 卷积层

主要：
- nn.Conv1d
- nn.Conv2d
nn.Conv2d() / nn.functional.conv2d()
- 二维卷积（图像）
- nn.Conv2d 参考官方文档：Conv2d — PyTorch 2.6 documentation
- nn.functional.conv2d 参考官方文档：torch.nn.functional.conv2d — PyTorch 2.6 documentation
- 两者区别看这个：【pytorch】torch.nn 与 torch.nn.functional 的区别_为什么我的torch没有torch.nn.functional呢-CSDN博客
- 参数（以nn.functional.conv2d为例）：
  - input：输入
    - 注意形状： (batch , in_channels , iH , iW)
  - weight：卷积核
    - 注意形状： (out_channels , in_channels , kH , kW)
  - stride：步长，默认=1
  - padding：边界0填充，默认=0
  - ……（具体看官方文档！）
- nn.Conv2d参数（具体看官方文档！）：
- 输出长宽计算（参数根据这个来取值）：
具体代码见代码文件

3. 池化层

以最大池化为例（最常用）
- 参考官方文档 MaxPool2d — PyTorch 2.6 documentation
nn.MaxPool2d()
- 注意输入tensor的形状要求
- 参数：
  - kernel_size：池化核的大小
  - stride：步长，默认为池化核的大小
  - padding：边界0填充，默认=0
  - ceil_mode：默认=False，=True向上取整，即不足池化核大小也保留边界余量取最大池化
- 输出长宽计算（参数根据这个来取值）：

4. 非线性激活层

主要有：
- nn.ReLU()
- nn.Sigmoid()
参考官方文档：torch.nn — PyTorch 2.6 documentation
具体代码见代码文件

5. 线性层与其他层、模型

其他层：
- 归一化层（Normalization Layers）
- RNN相关层（Recurrent Layers）
- Transformer层（Transformer Layers）
- Dropout层（Dropout Layers）
都可以在官方文档里面找到
模型：
- torchvision.models里面很多现成的模型（图像视觉方面）
线性层 / 全连接层（Linear Layers）
- nn.Linear()
  - 参数：
    - in_features：输入特征数
    - out_features：输出特征数（即神经元个数）
    - bias：是否有设置偏置项，默认=True设置