本文根據pytorch官方教程編寫，如果有興趣的人可以直接去查看pytorch的官方文檔。
那麼現在就直接開始吧！
第一步就是直接導入包
import torch.nn as nn
import torch.nn.functional as F
import torch
然後嘛！就是通過繼承nn.Module來編寫模型類。
class Net(nn.Module):
def __init__(self):
super(Net,self).__init__()#繼承nn.Module中的代碼
self.conv1=nn.Conv2d(1,6,5)#輸入通道數爲1,輸出通道數爲6，卷積核大小爲（5,5），步長默認爲1
self.conv2=nn.Conv2d(6,16,5)
self.Pool=nn.MaxPool2d(2,2)#最大池化層 2*2
#開始構建線性層
self.fc1=nn.Linear(16*5*5,120)#輸入層大小爲400,隱含層大小爲120
self.fc2=nn.Linear(120,84)#隱含層1大小爲120，隱含層2大小爲84
self.fc3=nn.Linear(84,10)#隱含層2大小爲84，輸出層大小爲10
def forward(self,x):
x=self.Pool(F.relu(self.conv1(x)))#進行池化操作,F.relu()是激活函數
x=self.Pool(F.relu(self.conv2(x)))
x=x.view(-1,self.num_flat_features(x))#通過view函數將張量x變成 16*5*5的一維向量
x=F.relu(self.fc1(x))#在第一個全連接層經過激活函數relu，之後在傳到後面去
x=F.relu(self.fc2(x))
x=self.fc3(x)#最後一層，因此不用激活函數激活了
return x
def num_flat_features(self,x):
size=x.size()[1:]#獲取第一層全連接層的大小，輸出爲torch.Size([16, 5, 5])
num_features=1
for s in size:
num_features*=s
return num_features
現在開始精彩一些的地方吧！
比如輸出一下我們的模型，看看他的內部機構
net=Net()#實例化一個模型
print(net)
如果你的代碼沒有寫錯的話，你就會得到下面的這些輸出。
如果你能結合我們上面的代碼觀看的話，你就會發現，這些東西就是我們所定義的卷積層，池化層以及全連接層。
Net(
(conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(Pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(fc1): Linear(in_features=400, out_features=120, bias=True)
(fc2): Linear(in_features=120, out_features=84, bias=True)
(fc3): Linear(in_features=84, out_features=10, bias=True)
)
大致形狀就是這樣了，後面的這些線我就不連了，懶得連。還有就是別忘了他們還有卷積層和池化層。
如果我們來觀察一下模型的參數吧！
params=list(net.parameters())#所謂參數就是對這些卷積層，全連接層的一個縮寫。如params[0]就是conv1 (6,1,5,5)，params[1]就是conv1的輸出量爲6
print(len(params))
print(params[0].size())#建議把這從0-9幾個參數都看一下，也許你會對這種模型的構建有一個更加清晰的認知
輸出如下：
10
torch.Size([6, 1, 5, 5])
再來，我們來看這個編寫出來的模型，會有什麼樣的輸出呢！
input =torch.randn(1,1,32,32)#隨機創建一個輸入張量
out=net(input)#先試試將其放入模型得到的結果
print(out)
輸出如下：
tensor([[ 0.0013, -0.0339, -0.0306, 0.0887, -0.0689, -0.0216, -0.0481, -0.0103,
-0.0592, -0.0732]], grad_fn=<AddmmBackward>)
由此我們可以看到，他的輸出結果正好就是（1,10）的張量，也就是我們的最後一層全連接層的輸出。因爲最後的這一層是一共只有十個神經元，所以輸出時自然會是10個輸出。
如果你的項目是做的01標籤輸出的話，記得直接把輸出層設置成2個神經元喲！
接着我們開始反向傳播，並計算其損失值吧！
net.zero_grad()#神經網絡中的梯度緩衝區全部清零,否則就會與已經有的梯度混到一起
out.backward(torch.randn(1,10))#開始使用隨機梯度開始反向傳播，反向傳播前conv1的偏置項爲空或者說全零
output=net(input)#再次獲取其輸出
target=torch.randn(10)#確定一個目標值，size要爲（1，10）
target=target.view(1,-1)
criterion=nn.MSELoss()#定義損失函數
loss=criterion(output,target)#通過輸出結果與目標值來計算損失函數，或者說是實際網絡輸出值與預期值之前的差距
print(loss)
輸出結果如下：
tensor(0.6017, grad_fn=<MseLossBackward>)
看到他的grad_fn屬性了嗎？
他們的grad_fn屬性已經變成了我們定義的MSELoss（）了。
上面的代碼是不合格的。它只是給了一個目標，然後就直接計算其損失值。
我們的模型都是需要訓練的，因此它應該擁有一個優化迭代器。
對此，torch給了我們一個包 optim。
我們經過會用梯度下降的方法來進行迭代優化：
其公式如下：
weight = weight - learning_rate * gradient
當然，這並不是我們這裏要使用的優化算法。
寫出這個只是爲了讓你稍微對這個優化算法，有一些簡單的認知，就是我們學習線性神經網絡時候的梯度下降算法，只是這裏改成了其他更加優秀的算法罷了。
我們現在使用這個包來定義一個隨機梯度下降算法的優化器吧！
SGD（Stochastic gradient descent）
import torch.optim as optim
optimizer=optim.SGD(net.parameters(),lr=0.01)#定義SGD優化器，傳入模型參數和學習率
optimizer.zero_grad()
output=net(input)
loss=criterion(output,target)
loss.backward()#根據誤差進行反向傳播
optimizer.step()
print(loss)
輸出如下：
tensor(0.6186, grad_fn=<MseLossBackward>)
我們這樣當然是看不出什麼東西的，但是我們能夠看到這個loss的值，進行了一些改變，當然我們的學習率定得太小了。所以並不太明顯。