深度学习---PyTorch 神经网络工具箱
一、神经网络核心组件
神经网络的运行依赖四大核心组件，各组件功能明确、协同工作，具体如下表所示：
| 组件 | 功能描述 |
|---|---|
| 层 | 神经网络的基础结构单元，核心作用是对输入张量进行数据变换（如通过权重运算），最终输出新张量 |
| 模型 | 由多个 “层” 按特定逻辑组合而成的完整网络结构，是实现分类、回归等任务的核心载体 |
| 损失函数 | 参数学习的目标函数，用于计算模型预测值（Y'）与真实值（Y）的差异，模型通过最小化该函数优化参数 |
| 优化器 | 负责执行 “最小化损失函数” 的算法，通过调整模型中的权重等参数，使损失值逐步降低，提升模型性能 |
二、构建神经网络的主要工具
PyTorch 中构建网络的核心工具为nn.Module和nn.functional，二者适用场景与使用方式差异显著，具体对比及说明如下：
（一）核心工具对比
| 对比维度 | nn.Module | nn.functional |
|---|---|---|
| 本质特性 | 面向对象，需继承该类定义网络模块 | 纯函数式接口，直接调用函数实现功能 |
| 参数管理 | 自动提取、定义和管理可学习参数（如 weight、bias），无需手动干预 | 需手动定义 weight、bias 等参数，且每次调用需手动传入，代码复用性差 |
| 适用场景 | 卷积层（nn.Conv2d）、全连接层（nn.Linear）、Dropout 层等需参数学习的组件 | 激活函数（如nn.functional.relu）、池化层（如nn.functional.max_pool2d）等无参数学习的操作 |
| 语法格式 | 写法为nn.Xxx，需先实例化（如self.linear = nn.Linear(in_dim, out_dim)），再调用实例处理数据 | 写法为nn.functional.xxx，直接调用函数（如x = nn.functional.relu(x)） |
| 状态转换 | Dropout 等需区分 “训练 / 测试” 状态的组件，调用model.eval()可自动切换状态 | 无自动状态转换功能，需手动控制（如额外传入training参数） |
| 容器兼容性 | 可与nn.Sequential等模型容器结合使用，便于层的顺序组合 | 无法与nn.Sequential结合，需手动按顺序调用函数 |
（二）nn.Module的核心作用
nn.Module是构建网络的基础类，其核心优势在于自动管理可学习参数，并支持与多种工具协同完成网络构建与训练，具体流程关联如下：
- 网络构建：通过继承
nn.Module定义自定义模型类，在__init__方法中定义网络层（如Linear、Conv2d）； - 正向传播：需在模型类中实现
forward方法，定义数据在层间的流动逻辑（即正向传播过程）； - 反向传播：依托
torch.autograd自动计算梯度（无需手动实现反向传播逻辑）； - 参数更新：结合
torch.optim（如SGD、Adam）的step()方法，更新通过nn.Module管理的参数； - 容器支持：可与
nn.Sequential、nn.ModuleList、nn.ModuleDict等容器结合，灵活组织复杂网络结构。
三、模型构建的三种核心方法
PyTorch 提供三种主流模型构建方式，可根据网络复杂度和灵活性需求选择：
| 构建方式 | 核心逻辑 | 适用场景 |
|---|---|---|
继承nn.Module基类构建 | 自定义模型类，手动在__init__定义层、在forward定义数据流动 | 网络结构复杂（如含多分支、自定义运算），需灵活控制正向传播逻辑 |
使用nn.Sequential按层顺序构建 | 将层按执行顺序传入nn.Sequential，无需手动实现forward | 网络为 “线性结构”（无分支、无复杂运算），如简单的全连接网络、基础卷积网络 |
继承nn.Module+ 模型容器封装 | 在自定义nn.Module类中，用nn.Sequential/nn.ModuleList/nn.ModuleDict封装部分层 | 网络可拆分为多个子模块（如特征提取块、分类块），需平衡灵活性与代码简洁性 |
关键说明
nn.Sequential：按顺序组合层，支持 “可变参数传入”“add_module方法添加层”“OrderedDict指定层名称” 三种使用方式；- 模型容器（
nn.Sequential/nn.ModuleList/nn.ModuleDict）的核心作用是简化层的管理与调用，避免代码冗余，尤其适用于多层重复或动态层结构的场景。