深度学习入门：手把手搭建简单神经网络（含代码详解+报错避坑）

一、前言

很多刚入门深度学习的同学，第一次写神经网络代码，都会遇到各种各样的问题：模型属性报错、维度不匹配、损失函数乱用、device非法、张量类型报错等。
本文将从神经网络核心原理、PyTorch模型搭建、前向传播、损失函数选择、实战代码、全网最详细报错解析全套讲解，适合零基础入门、作业实训、CSDN发文学习。
读完本文你将掌握：

• 简单全连接神经网络的结构原理
• PyTorch 标准模型类的搭建规范
• Sigmoid、ReLU、Softmax 激活函数适用场景
• 单标签分类损失函数 CrossEntropyLoss 正确用法
• 新手90%都会踩的神经网络报错坑与解决方案

二、神经网络核心原理

1. 什么是全连接神经网络

全连接神经网络（FC层/Linear层）是深度学习最基础的网络结构：上一层的每一个神经元，和下一层所有神经元全部相连。
作用：对输入特征进行特征变换、特征提取、维度映射。

2. 网络训练核心流程

深度学习训练永远只有四步：

1. 前向传播：输入数据 → 网络计算 → 输出预测概率
2. 计算损失：对比预测值和真实标签的差距
3. 反向传播：根据损失计算梯度
4. 参数更新：优化器更新权重，降低损失

3. 激活函数作用

• Sigmoid：将数据压缩到 0~1，适合概率映射
• ReLU：最常用激活，解决梯度消失，加速收敛
• Softmax：多分类专用，输出所有类别概率之和为1

三、任务场景说明

本文搭建一个3输入、2输出的单标签多分类神经网络：

• 输入特征：3维特征
• 隐藏层：两层全连接+激活函数
• 输出：2个类别概率（二分类/多分类通用）
• 任务：单标签分类（一个样本只属于一个类别）

四、完整可运行代码

import torch
import torch.nn as nn
from torchsummary import summary

搭建神经网络模型

class Model(nn.Module):
def init(self):
super().init()

三层全连接网络

    self.linear1 = nn.Linear(3, 3)
    self.linear2 = nn.Linear(3, 2)
    self.out = nn.Linear(2, 2)

前向传播

def forward(self, x):
    x = self.linear1(x)
    x = torch.sigmoid(x)

    x = self.linear2(x)
    x = torch.relu(x)

    logits = self.out(x)

多分类输出概率

    out = torch.softmax(logits, dim=-1)
    return out

if name == ‘main’:

实例化模型

model = Model()

随机构造5组3维输入数据

x = torch.randn(5, 3)

前向传播预测

out = model(x)
print(f"模型预测输出：\n{out}")

打印网络结构

summary(model, input_size=(3,), batch_size=10, device="cpu")

查看网络参数

print("\n==========网络参数详情==========")
for name, params in model.named_parameters():
    print(f"{name} : {params}")

五、代码逐行详解

1. 导入模块

• torch：深度学习核心库
• nn：网络层、激活函数、损失函数工具库
• summary：打印网络结构、参数量

2. 模型类搭建规范

所有神经网络必须继承 nn.Module，固定两个函数：

• init：定义网络层（必须加self！）
• forward：定义数据传播逻辑

3. 网络层结构

• nn.Linear(3,3)：3输入→3输出全连接层
• nn.Linear(3,2)：3特征→2特征降维
• nn.Linear(2,2)：输出层，对应2个分类

4. 前向传播逻辑

• 第一层 + Sigmoid 做特征压缩
• 第二层 + ReLU 增强非线性拟合能力
• 最后一层输出 logits，Softmax 转概率

六、关键知识点：损失函数怎么选？

1. 单标签多分类

必须用 CrossEntropyLoss
特点：

• 输入为模型原始 logits（不要提前softmax）
• 标签为 Long 类型类别索引（0、1、2…）
• 内部自带 log_softmax + NLLLoss，数值更稳定

2. 多标签二分类

使用 BCEWithLogitsLoss
标签只能是 0/1，不能是类别索引。

3. 避坑重点

如果代码结尾手动写了 softmax，训练时一定要删掉，否则会双重归一化，损失不收敛！

七、新手高频报错汇总）

报错1：‘NoneType’ object has no attribute ‘linear1’
原因：拼写错误 seif 而非 self，网络层没有绑定到模型实例。
解决：所有网络层必须写 self.xxx。
报错2：Input device is not valid, please specify ‘cuda’ or ‘cpu’
原因：device=’ cpu’ 多了空格。
解决：改为 device=“cpu”。
报错3：log_softmax_lastdim_kernel_impl not implemented for ‘Long’
原因：模型输出被强行转成 long 整数类型。
解决：预测输出必须是 float，标签必须是 long。
报错4：模块导入错误
错误写法：from sympy.printing.pytorch import torch
正确写法：import torch

八、总结

1. 基础全连接神经网络由Linear全连接层 + 激活函数 堆叠而成，是深度学习的基石。
2. 单标签多分类固定搭配：输出logits + CrossEntropyLoss。
3. 新手90%报错都是：self拼写错误、维度不匹配、数据类型错乱、导入错误、device空格。
4. 网络搭建核心规范：__init__定义层，forward写传播逻辑。