本文主要从大致步骤上讲述如何从零开始构建一个网络，仅提供一个思路，具体实现以实际情况为准。

一、构建网络

class 网络模型(nn.Module):#----初始化函数----##主要用来构建网络单元，类似于类定义def __init__(self,需要传入的参数列表): super(网络模型,self).__init__()#----定义一些相关的神经单元----#self.backbone=BackBone(...)#----将神经单元堆叠成网络模块----#self.block=nn.Sequential(#将标准模块堆叠)self.cls_conv=nn.Conv2d(256,numclass,1,stride=1)#----前向传递函数----##----主要用来实现网络计算，需要按严格的顺序堆叠def forward(self,x):    # x为输入特征#----堆叠网络                                                                                       return x

        以类的形式来构造神经网络的主结构，同时可以通过多个类的叠加来区分基干网络等各个部分，但是每个网络类中主要分为两个部分：

        ①类定义：主要负责声明神经模组，如卷积，池化，BN层等；以及参数的注入。同时将一些标准模块堆叠成神经模块（可以构造多个）；类似于声明，顺序没有特殊要求（小模块内有顺序）

        ②前向传递函数：将类定义中构造的各模块进行顺序构造。x为传入的特征向量，通过让x按顺序经过各模块来实现网络的构造。类似于实现，需要遵守严格的顺序

二、网络训练

#----各种参数的定义，预处理----#
# 包括一些超参数，路径，cuda等参数的设定，以及卷积核尺寸等参数的计算#----网络模型实体化----#
model = 类定义(参数列表)#----权重的加载/初始化----#
model_dict = model.state_dict()    #获取网络结构
pretrained_dict = torch.load(modePath,map_location=device)    #从文件中加载权重
for k,v in pretrained_dict.items():#逐层判断网络结构是否一致
model_dict.update(temp_dict)         #上传权重参数
model.load_state_dict(model_dict)    #加载权重#----如有必要，进行cuda型的转换----##----数据集的加载----#
dataset = 
dataloader = #----进行训练----#

        由于训练的步数较多，建议将其分为预处理和具体训练分开编写。预处理包括网络的实体化，参数和超参数的处理及填充，数据集的加载和转换

        而训练部分则包括：优化器的实例化和参数的填充，训练和验证

        训练是指分步将训练数据从dataloader中取出并执行以下步骤：         

                        ①前向传递

                        ②计算损失函数

                        ③梯度清零

                        ④前向传递

                        ⑤优化参数

        随后将测试集从dataloader中取出按训练同样的步骤进行预测，并计算损失函数 

        训练步骤

loss_fn=   #设置交叉函数
learing_rate=   #学习率
optimizer = torch.optim   #设置优化器#----开始训练----#
for i in range(epoch):#----将训练集从dataloader中解包----#for data in train_loader:imgs,targes=data    outputs=mynet(imgs) #网络前向传递loss=loss_fn(outputs,targes)    #计算损失函数optimizer.zero_grad()   #梯度清零loss.backward()  #前向传递optimizer.step()    #逐步优化total_train_step+=1 #训练计数#----开始测试----#
with torch.no_grad():    #不设置梯度（保证不进行调优）#----将测试集从dataloader中拆包----#for data in test_loader:imgs,targets = data outputs = mynet(imgs)    #进行预测loss = loss_fn(outputs,targets)    #计算损失函数#----保存每轮的模型----#
#torch.save(mynet,"MyNerNet_Ver{}.pth".format(total_train_step))

三、进行预测

        进行预测总体和训练类似，但是不需要将数据送入dataset和dataloader中，一般也不需要计算损失函数，仅需要调用网络对数据进行预测即可。是神经网络的应用环节。

    def ImgDetect(self,img,count=False,nameClasses=None,outType=0):#----图片的预处理----## 主要包括图像的参数计算，resize，和添加batch_size维度#----使用网络预测----#with torch.no_grad():# 类型转换imgs = torch.from_numpy(img_data)# 传入网络并得到结果Img = self.net(imgs)# 进行后续处理#----返回结果----#return Img