主要作用：对输入函数采用正则化。正则化的主要作用是加快神经网络的训练速度。
class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)输入参数：
(资料图片)
num_features: 形状为\((N, C, H, W)\)
其他参数默认即可
举例：
# With Learnable Parametersm = nn.BatchNorm2d(100)# Without Learnable Parametersm = nn.BatchNorm2d(100, affine=False)input = torch.randn(20, 100, 35, 45)output = m(input)该函数用得不多
二、其他层简介1. Recurrent Layers（Recurrent层）内含RNN、LSTM等函数，主要在nlp领域用的比较多
2. Transformer Layers3. Linear Layers(线性层)nn.Linear官方文档： Recurrent Layers
class torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None参数介绍：
in_features
out_features
bias(bool)
线性层具体参数解释如下图：
\(in\_features=d\)，即指的是in_features的个数
\(out\_features=L\)，即指的是out_features的个数
计算\(g\)的方法（以上图\(g_1\)为例）：
\(x_1,\dots,x_i,\dots,x_d\)每个指向\(g_1\)的箭头上，均有：\[k_i*x_i+b_i\]其中，\(b_i\)代表偏置，参数\(bias=True\)，则加上\(b\)；\(bias=False\)，则不加\(b\)
在每次训练神经网络的过程中，均会调整\(k_i\)、\(b_i\)的值，直到它变成一个合适的数值
由此可得：
\[g_1=\sum^{d}_{i=1}{k_ix_i+b_i}\]（2）代码示例以典型的VGG16 Model网络结构为例：
因此，设置in_features=4096; out_feature=1000
下面代码以一个尺寸为n×n的图像为例，先将图像展开成一行，即1×\(n^2\)的尺寸。最后将1×\(n^2\)尺寸的图像通过线性层，转化为1×10尺寸的图像。import torchimport torchvisionfrom torch.utils.data import DataLoaderfrom torch import nnfrom torch.nn import Lineardataset=torchvision.datasets.CIFAR10("./dataset",train=False,download=True,transform=torchvision.transforms.ToTensor())dataloder=DataLoader(dataset,batch_size=64)# for data in dataloder:# imgs,targets = data# #print(imgs.shape) #[Run] torch.Size([64, 3, 32, 32])## #我们的目标是把图像尺寸变成1×1×1×根据前面计算得出的数,下面进行转换# output=torch.reshape(imgs,(1,1,1,-1))# #print(output.shape) #[Run] torch.Size([1, 1, 1, 196608])#根据上面output得出的196608尺寸数据，构造神经网络结构class Demo(nn.Module): def __init__(self): super(Demo,self).__init__() self.linear1=Linear(in_features=196608,out_features=10) def forward(self,input): output=self.linear1(input) return output#调用神经网络demo=Demo()for data in dataloder: imgs,targets=data output=torch.reshape(imgs,(1,1,1,-1)) output=demo.forward(output) print(output.shape) #[Run] torch.Size([1, 1, 1, 10])由此，成功将1×1×1×196608尺寸的图像转化为1×1×1×10尺寸的图像
注意：
可以用torch.flatten()函数将图像展开成一行，即替换第33行的代码output=torch.reshape(imgs,(1,1,1,-1))，为：output=torch.flatten(imgs)# print(output.shape) #[Run] torch.Size([196608])torch.flatten()和torch.reshape()的区别：
torch.flatten更方便，可以直接把图像变成一行
torch.reshape功能更强大，可任意指定图像尺寸
4. Dropout Layers主要作用：在训练的过程中随机把一些input（输入的tensor数据类型）变成0。变成0的概率由\(p\)决定
class torch.nn.Dropout(p=0.5, inplace=False)主要用于自然语言处理中
class torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False, sparse=False, _weight=None, _freeze=False, device=None, dtype=None)主要作用：计算两个值之间的误差，并指定误差的衡量标准
7. Loss Function主要作用：计算Loss的误差大小
三、调用pytorch中的网络模型现在我们已经学会如何自己搭建神经网络模型了，下面介绍pytorch中神经网络模型的调用方法。根据官方文档，我们可以调用自己需要的网络结构，而不需要自己写代码
1.图像方面的网络结构
官网文档：Models and pre-trained weights — Torchvision 0.15 documentation
2.语音方面的网络结构
官方文档：torchaudio.models — Torchaudio 2.0.1 documentation