一、神经网络核心组件
| 组件 | 功能 |
|---|
| 层 | 基本结构，实现输入张量到输出张量的变换 |
| 模型 | 由层组合而成的完整网络框架 |
| 损失函数 | 量化预测值与真实值差异，作为参数学习目标 |
| 优化器 | 通过梯度调整模型参数，最小化损失函数 |
协同流程：输入→层处理→预测值→损失函数算差异→优化器更新参数。
二、核心构建工具：nn.Module vs nn.functional
| 对比项 | nn.Module（如 nn.Linear） | nn.functional（如 F.relu） |
|---|
| 参数管理 | 自动管理权重、偏置 | 需手动定义和传入参数 |
| 容器兼容 | 可与 nn.Sequential 等结合 | 不可结合模型容器 |
| 状态切换 | Dropout 等自动切换训练 / 测试状态 | 需手动控制状态 |
| 适用场景 | 含可学习参数的层（卷积、全连接等） | 无参数操作（激活、池化等） |
三、三种模型构建方法
1. 直接继承 nn.Module
- 逻辑：自定义类继承
nn.Module，__init__定义层，forward写前向传播逻辑。 - 特点：灵活性最高，支持复杂结构（分支、跳跃连接）。
2. 使用 nn.Sequential
- 逻辑：按顺序传入层，自动执行前向传播，无需写
forward。 - 实现方式：
- 可变参数：直接传层实例（无层名称）。
add_module：为层命名，便于调试。OrderedDict：用有序字典关联层名称与实例。
- 特点：代码简洁，仅支持线性层顺序。
3. 继承 nn.Module + 模型容器
- 逻辑：在自定义类中用
nn.Sequential（线性打包）、nn.ModuleList（列表管理）、nn.ModuleDict（字典管理）分组层。 - 特点：平衡灵活性与模块化，适用于复杂网络。
四、自定义网络模块（以 ResNet 残差块为例）
1. 普通残差块（输入输出形状一致）
- 核心：两层 3×3 卷积 + 批量归一化，输入直接与输出相加（跳跃连接）。
2. 下采样残差块（形状不一致）
- 核心：增加 1×1 卷积调整输入形状，确保与输出可相加。
3. 组合构建 ResNet18
- 结构：初始卷积 + 最大池化 + 4 组残差块（普通块 + 下采样块）+ 全局平均池化 + 全连接层。
五、模型训练流程
- 加载预处理数据集（用
DataLoader批量处理）。 - 定义损失函数（如分类用交叉熵损失）。
- 定义优化器（如 Adam，传入模型参数和学习率）。
- 循环训练：前向传播→算损失→反向传播→更新参数。
- 循环验证：切换模型为评估模式，计算验证集指标。
- 可视化结果：绘制损失、准确率曲线分析训练效果。
