### PyTorch 中 `nn` 模块的使用案例 PyTorch 的 `nn` 模块是一个用于构建神经网络的核心组件，提供了丰富的层和功能来简化深度学习模型的设计与训练过程。以下是几个常见的使用场景以及相应的代码示例。 #### 1. 构建简单的全连接神经网络 通过组合线性层 (`Linear`) 和激活函数 (如 ReLU)，可以快速创建一个多层感知机 (MLP)： ```python import torch import torch.nn as nn class SimpleNN(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(SimpleNN, self).__init__() self.fc1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_size, output_size) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out model = SimpleNN(784, 128, 10) # 输入大小为784，隐藏层大小为128，输出大小为10 print(model) ``` 此代码定义了一个两层的前馈神经网络[^4]。 #### 2. 使用卷积神经网络 (CNN) 进行图像分类 对于计算机视觉任务，通常会利用卷积层提取特征。以下是一个基于 CNN 的简单图像分类器的例子： ```python class ConvNet(nn.Module): def __init__(self): super(ConvNet, self).__init__() self.conv_layer = nn.Sequential( nn.Conv2d(in_channels=1, out_channels=32, kernel_size=3), nn.ReLU(), nn.MaxPool2d(kernel_size=2), nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3), nn.ReLU(), nn.MaxPool2d(kernel_size=2) ) self.fc_layer = nn.Sequential( nn.Linear(64 * 5 * 5, 128), # 假设输入图片尺寸调整至适合该结构 nn.ReLU(), nn.Linear(128, 10) ) def forward(self, x): conv_out = self.conv_layer(x) flatten = conv_out.view(conv_out.size(0), -1) fc_out = self.fc_layer(flatten) return fc_out cnn_model = ConvNet() print(cnn_model) ``` 这段代码展示了如何堆叠卷积层、池化操作以及全连接层形成完整的 CNN 结构[^5]。 #### 3. 自定义损失函数的应用 除了内置的标准损失函数外，还可以根据具体需求设计自己的损失函数。例如，在某些情况下可能需要加权交叉熵损失： ```python class WeightedCrossEntropyLoss(nn.Module): def __init__(self, weight=None): super(WeightedCrossEntropyLoss, self).__init__() self.weight = weight def forward(self, inputs, targets): loss_fn = nn.CrossEntropyLoss(weight=self.weight) return loss_fn(inputs, targets) loss_func = WeightedCrossEntropyLoss(torch.tensor([1., 2., 3.])) outputs = torch.randn(3, 3, requires_grad=True) labels = torch.tensor([1, 2, 0]) loss_value = loss_func(outputs, labels) print(loss_value.item()) ``` 这里演示了如何扩展标准模块以支持特定应用中的不平衡类别权重处理[^6]。 --- ### 总结 以上仅列举了几种典型的 `nn` 模块应用场景及其对应的实现方式。实际开发过程中可根据项目特点灵活选用合适的子模块完成定制化的解决方案。