最近发现身边的一些初学者朋友捧着各种pytorch指南一边看一边敲代码，到最后反而变成了打字员。 敲完代码一运行，出来结果和书上一对比，哦，是书上的结果，就翻到下一章。半天就能把一本书都打完，但是合上书好像什么都不记得。有的甚至看了两三遍，都搭不出一个简单的网络来，这种学习方式很不可取。如果你刚好是这种情况，这篇文章应该能给你一些帮助。如果你已经是进阶的水平了，就直接关掉页面就好了。 pytorch的网络搭建，比tensorflow简单很多。格式很好理解。
如果你想做一个网络，需要先定义一个Class，继承 nn.Module（这个是必须的,所以先import torch.nn as nn，nn是一个工具箱，很好用)，我们把class的名字就叫成Net.
Class Net (nn.Module):
这个Class里面主要写两个函数，一个是初始化的__init__函数，另一个是forward函数。我们随便搭一个，如下：
def __init__(self):
super().__init__()
self.conv1=nn.Conv2d(1,6,5)
self.conv2=nn.Conv2d(6,16,5)
def forward(self, x):
x=F.max_pool2d(F.relu(self.conv1(x)),2)
x=F.max_pool2d(F.relu(self.conv2(x)),2)
return x
__init__里面就是定义卷积层，当然先得super()一下，给父类nn.Module初始化一下。(Python的基础知识）在这个里面主要就是定义卷积层的，比如第一层，我们叫它conv1，把它定义成输入1通道，输出6通道，卷积核5*5的的一个卷积层。conv2同理。神经网络“深度学习”其实主要就是学习卷积核里的参数，像别的不需要学习和改变的，就不用放进去。比如激活函数relu()，你非要放进去也行，再给它起个名字叫myrelu，也是可以的。 forward里面就是真正执行数据的流动。比如上面的代码，输入的x先经过定义的conv1（这个名字是你自己起的），再经过激活函数F.relu()（这个就不是自己起的名字了，最开始应该先import torch.nn.functional as F，F.relu()是官方提供的函数。当然如果你在__init__里面把relu定义成了我上面说的myrelu，那你这里直接第一句话就成了x=F.max_pool2d(myrelu(self.conv1(x)),2)。下一步的F.max_pool2d池化也是一样的，不多废话了。在一系列流动以后，最后把x返回到外面去。 这个Net的Class定义主要要注意两点。 第一：是注意前后输出通道和输入通道的一致性。不能第一个卷积层输出4通道，第二个输入6通道，这样就会报错。 第二：它和我们常规的python的class还有一些不同，发现了没有？我们该怎么用这个Net呢？ 先定义一个Net的实例（毕竟Net只是一个类不能直接传参数，output=Net（input）当然不行）
net=Net()
这样我们就可以往里传x了，假设你已经有一个要往神经网络的输入的数据“input”（这个input应该定义成tensor类型，怎么定义tensor那就自己去看看书了。另外pytorch三点几版本的你还得把它弄成Variable类型，4.0以后的就不需要了） 在传入的时候，是:
output=net(input)
看之前的定义：
def __init__(self):
……
def forward(self, x):
……
有点奇怪。好像常规python一般向class里面传入一个数据x，在class的定义里面，应该是把这个x作为形参传入__init__函数里的，而在上面的定义中，x作为形参是传入forward函数里面的。 其实也不矛盾，因为你定义net的时候，是net=Net()，并没有往里面传入参数。如果你想初始化的时候按需传入，就把需要的传入进去。只是x是神经网络的输入，但是并非是初始化需要的，初始化一个网络，必须要有输入数据吗？未必吧。只是在传入网络的时候，会自动认为你这个x是喂给forward里面的。
在网络定义好以后，就涉及到传入参数，算误差，反向传播，更新权重…确实很容易记不住这些东西的格式和顺序。 传入的方式上面已经介绍了，相当于一次正向传播，把一路上各层的输入x都算出来了。 想让神经网络输出的output跟你期望的ground truth差不多，那就是不断减小二者间的差异，这个差异是你自己定义的，也就是目标函数（object function）或者就是损失函数。如果损失函数loss趋近于0，那么自然就达到目的了。 损失函数loss基本上没法达到0，但是希望能让它达到最小值，那么就是希望它能按照梯度进行下降。梯度下降的公式，大家应该都很熟悉，不熟悉的话，建议去看一下相关的理论。谁喜欢看公式呢？所以我这里不讲。 只是你的输入是由你来决定的，那神经网络能学习和决定什么呢？自然它只能决定每一层卷积层的权重。所以神经网络只能不停修改权重，比如y=wx+b，x是你给的，它只能改变w，b让最后的输出y尽可能接近你希望的y值，这样损失loss就越来越小。 如果loss对于卷积层里面的参数W的偏导数接近0了，不就意味着到达了一个极小值吗？而l在你的loss计算方式已经给定的情况下，loss对于w的偏导数的减小，其实只能通过更新参数卷积层参数W来实现（别的它决定不了啊，都是你输入和提供的）。 所以，通过下述方式实现对W的更新：（注意这些编号，下面还要提） 【1】 先算loss对于输入x的偏导，（当然网络好几层，这个x指的是每一层的输入，而不是最开始的输入input） 【2】 对【1】的结果再乘以一个步长（这样就相当于是得到一个对参数W的修改量） 【3】 用W减掉这个修改量，完成一次对参数W的修改。 说的不太严谨，但是大致意思是这样的。这个过程你可以手动实现，但是大规模神经网络怎么手动实现？那是不可能的事情。所以我们要利用框架pytorch和工具箱torch.nn。 所以要定义损失函数，以MSEloss为例：
compute_loss=nn.MSELoss()
明显它也是个类，不能直接传入输入数据，所以直接loss=nn.MSEloss（target，output）是不对的。需要把这个函数赋一个实例，叫成compute_loss。之后就可以把你的神经网络的输出，和标准答案target传入进去：
loss=compute_loss(target,output)
算出loss，下一步就是反向传播：
loss.backward()
这一步其实就是把【1】给算完了，得到对参数W一步的更新量，算是一次反向传播。 这里就注意了，loss.backward()是啥玩意？如果是自己的定义的loss（比如你就自己定义了个def loss（x，y）：return y-x ）这样肯定直接backward会出错。所以应当用nn里面提供的函数。当然搞深度学习不可能只用官方提供的loss函数，所以如果你要想用自己的loss函数，必须也把loss定义成上面Net的样子（不然你的loss不能反向传播，这点要注意，注：这点是以前写的，很久之前的版本不行，现在都可以了，基本不太需要这样了），也是继承nn.Module，把传入的参数放进forward里面，具体的loss在forward里面算，最后return loss。__init__()就空着，写个super().__init__就行了。 在反向传播之后，第【2】和第【3】怎么实现？就是通过优化器来实现。让优化器来自动实现对网络权重W的更新。 所以在Net定义完以后，需要写一个优化器的定义（选SGD方式为例）：
from torch import optim
optimizer=optim.SGD(net.parameters(),lr=0.001,momentum=0.9)
同样，优化器也是一个类，先定义一个实例optimizer，然后之后会用。注意在optimizer定义的时候，需要给SGD传入了net的参数parameters，这样之后优化器就掌握了对网络参数的控制权，就能够对它进行修改了。传入的时候把学习率lr也传入了。 在每次迭代之前，先把optimizer里存的梯度清零一下（因为W已经更新过的“更新量”下一次就不需要用了）
optimizer.zero_grad()
在loss.backward()反向传播以后，更新参数：
optimizer.step()
所以我们的顺序是： 1.先定义网络:写网络Net的Class，声明网络的实例net=Net()， 2.定义优化器optimizer=optim.xxx(net.parameters()，lr=xxx)， 3.再定义损失函数（自己写class或者直接用官方的，compute_loss=nn.MSELoss()或者其他。 4.在定义完之后，开始一次一次的循环： ①先清空优化器里的梯度信息，optimizer.zero_grad(); ②再将input传入，output=net(input) ，正向传播 ③算损失，loss=compute_loss(target,output) ##这里target就是参考标准值GT，需要自己准备，和之前传入的input一一对应 ④误差反向传播，loss.backward() ⑤更新参数，optimizer.step() 这样就实现了一个基本的神经网络。大部分神经网络的训练都可以简化为这个过程，无非是传入的内容复杂，网络定义复杂，损失函数复杂，等等等等。 说的有问题的地方感谢指正。
