pytorch框架学习(3)torch.nn.functional模块和nn.Module模块

快到七夕了，我们继续学习！

torch.nn.functional模块和nn.Module模块

如何用以上两个模块更加方便地构建出网络的架构

本次使用Mnist数据集进行分类任务的实例进行学习

首先，让我们了解下路径处理库pathlib ,这是一个面向对象的路径操作文件，可以轻松的获取当前文件夹路径(a = Path.cwd())、Home路径(a = Path.home()) 、父目录( a.parent)；可以对文件名进行一系列操作; 可以进行文件操作、可以进行文件夹操作、可以进行路径拼接等等。官方文档

1首先 我们把图像下载、解压，并读一张看看

这里其实有必要简单学习一下matplotlib的pyplot，在这先占个坑

可以看到数据集的shape是(50000, 784) ，其中50000是样本数，784是28281的展开

x_train[]就是灰度值图像, y_train[]就是类别。
分类任务的标签应该是一个独热编码, 我们得到结果的是每一个类别概率的概率值。

2其次我们准备训练

复习一下最基本的训练过程: 数据读入、设置是否需要记录梯度–>搭建网络结构–>设置超参数、损失、优化器等–>进行数据训练(读取-zero_grad()-前向传播-计算Loss-反向传播更新参数-打印过程结果-权重保存)

这里我们首先使用[map()函数¹](https://blog.csdn.net/wangxinxin1992816/article/details/124537869?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165944879516782395324210%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=165944879516782395324210&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2_alltop_click~default-1-124537869-null-null.142^v39pc_rank_v38&utm_term=map%28%EF%BC%89&spm=1018.2226.3001.4187)，将数据都转化为tensor的格式。

下面我们进入今天主要的内容
首先我们简单说一下什么时候用nn.Moudle，什么时候用nn.functional呢？
一般情况下如果模型中有带学习的参数的 最好使用nn.Moudle，其他情况使用nn.functional会相对简单一些。 eg.全连接层、卷积层等最好用nn.Moudle, 激活函数、损失函数 就可以用nn.functional

torch.nn.fuction方法

torch.nn.Moudel方法

• 必须继承nn.Module且在其构造函数中需调用nn.Module的构造函数
• 无需写反向传播函数，nn.Module能够利用autograd自动实现反向传播
• Module中的可学习参数可以通过named_parameters()或者parameters()返回迭代器

这里不光把网络结构定义好了，代码内部也同时帮我们把权重和偏置初始化了。