Pytorch 神经网络基础（nn.Module、卷积层、池化层、线性层）

标签：#Pytorch #深度学习 #神经网络 #nn.Module #卷积神经网络
阅读时长：10min

前言

前面我们学习了张量Tensor、自动求导Autograd，这两个是Pytorch最底层的基石。在真实项目中，我们不会手动去写大量求导逻辑，torch.nn模块封装好了神经网络各类层、损失函数，让我们快速搭建网络。本篇重点讲解nn.Module以及常用网络层：卷积Conv、池化Pool、全连接Linear。

一、nn.Module：所有网络的基类

nn.Module是Pytorch里所有网络模型、网络层的父类，自定义网络必须继承它。
之前你问的def __init__(self): super().__init__()就是在这里使用。

1. 两个核心函数

1. __init__()：构造函数，定义网络层（卷积、全连接等，在这里注册参数）
2. forward()：前向传播函数，定义数据流动逻辑，不能手动调用，模型() 方式自动执行

✅ 最简模板（必背）

importtorchimporttorch.nnasnnclassMyNet(nn.Module):def__init__(self):super().__init__()# 调用父类构造，必须写！# 在这里定义层self.linear=nn.Linear(10,5)defforward(self,x):# 前向计算out=self.linear(x)returnout net=MyNet()x=torch.randn(2,10)res=net(x)# 自动调用forwardprint(res.shape)

⚠️ 坑点提醒：

• 网络层一定要写在__init__里面，不要写在forward里面，否则无法注册参数，无法参与训练
• forward只负责计算，不要写反向传播代码，autograd自动处理

二、常用网络层详解

1. 全连接层 nn.Linear

公式：y=xWT+by = xW^T + by=xWT+b

nn.Linear(in_features,out_features,bias=True)

• in_features：输入特征维度
• out_features：输出特征维度
• bias：是否增加偏置，默认True

示例：

# 输入10维，输出2维linear=nn.Linear(10,2)x=torch.randn(3,10)print(linear(x).shape)# torch.Size([3, 2])

特点：把所有输入神经元和输出神经元全部相连；一般放在网络最后做分类。

2. 二维卷积层 nn.Conv2d（CNN最核心）

nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0)

参数说明：

输出尺寸计算公式：
Hout=⌊Hin+2×padding−kernel_sizestride+1⌋ H_{out} = \lfloor \frac{H_{in}+2\times padding - kernel\_size}{stride} +1 \rfloorHout​=⌊strideHin​+2×padding−kernel_size​+1⌋

示例：

# 输入3通道，输出16通道，3*3卷积conv=nn.Conv2d(3,16,3,stride=1,padding=1)img=torch.randn(2,3,32,32)# batch, C, H, Wout=conv(img)print(out.shape)# torch.Size([2, 16, 32, 32])

3. 池化层 nn.MaxPool2d / nn.AvgPool2d

池化：下采样，降低特征图宽高，减少计算量、保留主要特征，没有可训练参数

• MaxPool2d：最大池化，取窗口最大值（最常用）
• AvgPool2d：平均池化，取窗口平均值

pool=nn.MaxPool2d(kernel_size=2,stride=2)feat=torch.randn(2,16,32,32)out=pool(feat)print(out.shape)# torch.Size([2, 16, 16, 16])

4. 激活函数层

激活函数引入非线性，如果没有激活函数，再多卷积也等价于线性变换。

nn.ReLU()# 最常用nn.Sigmoid()# 输出0~1，二分类nn.Softmax(dim=1)# 多分类，输出概率和为1

使用示例：

relu=nn.ReLU()x=torch.tensor([-1.0,2.0])print(relu(x))# tensor([0., 2.])

三、搭一个简单CNN示例（整合上面所有层）

importtorchimporttorch.nnasnnclassSimpleCNN(nn.Module):def__init__(self):super().__init__()self.conv1=nn.Conv2d(3,16,3,padding=1)self.pool=nn.MaxPool2d(2,2)self.conv2=nn.Conv2d(16,32,3,padding=1)self.relu=nn.ReLU()self.fc1=nn.Linear(32*8*8,10)defforward(self,x):x=self.conv1(x)x=self.relu(x)x=self.pool(x)x=self.conv2(x)x=self.relu(x)x=self.pool(x)# 展平：batch不动，其余维度拉平x=x.flatten(1)x=self.fc1(x)returnx net=SimpleCNN()test_img=torch.randn(4,3,32,32)res=net(test_img)print(res.shape)# torch.Size([4,10])

四、查看网络参数

# 方式1：打印模型结构print(net)# 方式2：遍历参数forname,paraminnet.named_parameters():print(name,param.shape)

五、常见踩坑总结

1. Conv2d 输入格式：[batch, channel, height, width]，和opencv、PIL的HWC相反！
2. 卷积之后进全连接，一定要flatten展平，否则维度对不上
3. padding的作用：控制特征图尺寸不变，same padding
4. 池化层不改变通道数，只缩小高宽
5. nn.Module里面的层会自动管理参数，不需要手动设置requires_grad