这篇文章详细介绍了全链接神经网络实现方法，以及卷积的实现方法。最后我们发现，卷积的实现方法与全链接大同小异，因为 torch 为我们做了很多工作，我们来看看这两个有什么区别。
我们使用 torch 框架来实现两种神经网络，来对图形进行分类。
NN
首先我们引入依赖包
import torch
from torchvision import datasets
from torchvision.transforms import ToTensor
from torch.utils.data import DataLoader
# from torch import nn
import torch.nn as nn
下载数据，ToTensor()是把PIL.Image转换为 tensor 格式数据
train_data = datasets.FashionMNIST(root='data',train=True,download=True,transform=ToTensor()
)
test_data = datasets.FashionMNIST(root='data',train=False,download=True,transform=ToTensor()
)
print(len(test_data))
使用 Dataloader 来处理数据
batch_size = 64
train_loader = DataLoader(dataset = train_data,batch_size = batch_size,shuffle = True
)
test_loader = DataLoader(dataset = test_data,batch_size = batch_size,shuffle = True
)我们来看看 train_loader 中的数据是什么格式
for x ,y in train_loader:print('x::',x,x.shape)print('y::',y)break
继承 nn.Moule，创建全链接神经网络，
第一层是784，第一个隐层未512，第二个隐层也为512，最后输出层为10（因为我们的图像数据是个10分类的数据）
class NN(nn.Module):def __init__(self):super().__init__()self.line = nn.Sequential(nn.Linear(28*28,512),nn.ReLU(),nn.Linear(512,512),nn.ReLU(),nn.Linear(512,10))def forward(self,x):x = nn.Flatten()(x)# print('x.shape::',x.shape)pred = self.line(x)return 
