目錄

一、簡介

二、PyTorch 中的線性層

三、示例：使用線性層構(gòu)建神經(jīng)網(wǎng)絡(luò)

四、常見的其他層

---

一、簡介

神經(jīng)網(wǎng)絡(luò)是由多個層組成的，每一層都包含了一組權(quán)重和一個激活函數(shù)。每層的作用是將輸入數(shù)據(jù)進(jìn)行變換，從而最終生成輸出。線性層是神經(jīng)網(wǎng)絡(luò)中的基本層之一，它執(zhí)行的操作是線性變換，通常表示為：

y = Wx + b

其中，y 是輸出，x 是輸入，W 是權(quán)重矩陣，b 是偏置。線性層將輸入數(shù)據(jù)與權(quán)重矩陣相乘，然后加上偏置，得到輸出。線性層的主要作用是進(jìn)行特征提取和數(shù)據(jù)的線性組合。

二、PyTorch 中的線性層

在 PyTorch 中，線性層可以通過 torch.nn.Linear 類來實現(xiàn)。下面是一個示例，演示如何創(chuàng)建一個簡單的線性層：

import torch
from torch.nn import Linear# 創(chuàng)建一個線性層，輸入特征數(shù)為 3，輸出特征數(shù)為 2
linear_layer = Linear(3, 2)

在上面的示例中，首先導(dǎo)入 PyTorch 庫，然后創(chuàng)建一個線性層 linear_layer，指定輸入特征數(shù)為 3，輸出特征數(shù)為 2。該線性層將對輸入數(shù)據(jù)執(zhí)行一個線性變換。

三、示例：使用線性層構(gòu)建神經(jīng)網(wǎng)絡(luò)

現(xiàn)在，接下來看一個示例，如何使用線性層構(gòu)建一個簡單的神經(jīng)網(wǎng)絡(luò)，并將其應(yīng)用于圖像數(shù)據(jù)。我們使用 PyTorch 和 CIFAR-10 數(shù)據(jù)集，這是一個廣泛使用的圖像分類數(shù)據(jù)集。

import torch
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader
import torchvision.datasets# 加載 CIFAR-10 數(shù)據(jù)集
dataset = torchvision.datasets.CIFAR10("D:\\Python_Project\\pytorch\\dataset2", train=False, transform=torchvision.transforms.ToTensor(), download=True)
dataloader = DataLoader(dataset, batch_size=64)# 定義一個簡單的神經(jīng)網(wǎng)絡(luò)
class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init()self.linear1 = Linear(196608, 10)def forward(self, x):x = x.view(x.size(0), -1)  # 將輸入數(shù)據(jù)展平x = self.linear1(x)return x# 創(chuàng)建模型實例
model = MyModel()# 遍歷數(shù)據(jù)集并應(yīng)用模型
for data in dataloader:imgs, targets = dataoutputs = model(imgs)print(outputs.shape)

在上面的示例中，首先加載 CIFAR-10 數(shù)據(jù)集，然后定義了一個簡單的神經(jīng)網(wǎng)絡(luò) MyModel，其中包含一個線性層。我們遍歷數(shù)據(jù)集并將輸入數(shù)據(jù)傳遞給模型，然后打印輸出的形狀。

四、常見的其他層

除了線性層，神經(jīng)網(wǎng)絡(luò)中還有許多其他常見的層，例如卷積層（Convolutional Layers）、池化層（Pooling Layers）、循環(huán)層（Recurrent Layers）等。這些層在不同類型的神經(jīng)網(wǎng)絡(luò)中起到關(guān)鍵作用。例如，卷積層在處理圖像數(shù)據(jù)時非常重要，循環(huán)層用于處理序列數(shù)據(jù)，池化層用于減小數(shù)據(jù)維度。在 PyTorch 中，這些層都有相應(yīng)的實現(xiàn)，可以輕松地構(gòu)建不同類型的神經(jīng)網(wǎng)絡(luò)。

參考資料：

視頻教程：PyTorch深度學(xué)習(xí)快速入門教程（絕對通俗易懂！）【小土堆】