2.1.1 神经网络的核心组件

神经网络看起来很复杂，节点多、层数多、参数更多，但核心部分或组件不多。把这些组件确定后，这个神经网络基本就确定了。这些核心组件包括如下几个部分。

● 层：神经网络的基本结构，将输入张量转换为输出张量。

● 模型：层构成的网络。

● 损失函数：参数学习的目标函数，通过最小化损失函数来学习各种参数。

● 优化器：如何使损失函数最小，这就涉及优化器。

当然，这些核心组件不是独立的，它们之间、它们与神经网络其他组件之间有着密切关系。为便于大家理解，我们把这些关键组件及相互关系用图2-1表示。

图2-1 神经网络关键组件及相互关系示意图

多个层链接在一起构成一个模型或网络，输入数据通过这个模型转换为预测值。预测值与真实值共同构成损失函数的输入，损失函数输出损失值（损失值可以是距离、概率值等），该损失值用于衡量预测值与目标结果的匹配或相似程度。优化器利用损失值更新权重参数，目标是使损失值越来越小。这是一个循环过程，当损失值达到一个阈值或循环次数达到指定次数时，循环结束。

接下来利用PyTorch的nn工具箱，构建一个神经网络实例。nn工具箱中对这些组件都有现成的包或类，可以直接使用，非常方便。