目录
神经骨架的使用
首先我们进官网进行相关信息的查询：
container（相当于一个骨架）之中有六个模块，最常用的是module模块，因为对所有神经网络提供了一个最基本的类。
根据module的介绍，我们知道自己创建的model也需要继承该类 。
from torch import nn
class Model(nn.Module):
def __init__(self):
super(Model, self).__init__()创建一个类，并且进行继承。init代码可以手打，如果使用的是pycharm，则还可以点击菜单栏中的code，找到generate：
选择是重写该方法还是实现这个方法。选择重写该方法：
选择init即可生成。接着定义好forward函数，就定义好了神经网络的模板：
class Model(nn.Module):
def __init__(self) -> None:
super().__init__()
def forward(self,input):
return input + 1接着，使用该神经网络：
import torch
model = Model()
x = torch.tensor(1.0)
print(model(x))输出tensor(2.)
基本神经结构的使用
convolution layers就是卷积层，conv1d代表是一维，同2d、3d，其他不是很常用。此处以2d为例，在左侧选择torch.nn.function可以了解跟细致的操作。torch.nn相当于torch.nn.function的一个封装。
input就是输入，weight是权重，bias是偏置，stride是步径，padding为拓展
比如输入一个5*5的图像，3*3的一个卷积核。
卷积，第一次如上图所示，对应位相乘之和便是对应位置的结果，第一次结果为10。接着，会进行移动，移动的格数便和stride有关，如果stride为1，则先向右移动一位：
计算结果为12，接着再向右移动一位，算得12；因为再向右移便超出范围，所以不能向右移，而是先向下移动：
然后接着向右移动，直到向右、向下移动都会超出边界，得到计算结果：
stride – the stride of the convolving kernel. Can be a single number or a tuple (sH, sW). Default: 1
由stride的描述，可以知道，如果如果为一个数m，则向右向下移动距离一样，也可以分开设置。接着使用代码进行验证：
import torch
input = torch.tensor([[1, 2, 0, 3, 1],
[0, 1, 2, 3, 1],
[1, 2, 1, 0, 0],
[5, 2, 3, 1, 1],
[2, 1, 0, 1, 1]])
kernel = torch.tensor([[1, 2, 1],
[0, 1, 0],
[2, 1, 0]])通过函数的介绍，知两个数据的形状不符合函数参数的要求，则进行转换：
input = torch.reshape(input, [1, 1, 5, 5])
kernel = torch.reshape(kernel, [1, 1, 3, 3])卷积核中的 in_channels 与 需要进行卷积操作的数据的 channels 一致（图片样本的 channels ，取决于图片类型，比如RGB类型有3个通道）
import torch.nn.functional as F
output = F.conv2d(input=input, weight=kernel, stride=1)
print(output)输出： tensor([[[[10, 12, 12],
[18, 16, 16],
[13, 9, 3]]]])
若stride为2，则输出：tensor([[[[10, 12],
[13, 3]]]])
根据参数padding的介绍，知能在输入的周边进行一个扩充，如果padding为1：
接着以之前相同的方式进行计算（扩充处默认为0）：
output = F.conv2d(input=input, weight=kernel, stride=1, padding=1)
print(output)输出 tensor([[[[ 1, 3, 4, 10, 8],
[ 5, 10, 12, 12, 6],
[ 7, 18, 16, 16, 8],
[11, 13, 9, 3, 4],
[14, 13, 9, 7, 4]]]])