3-1.py

from torch import nn
import torch
x = torch.tensor([1.])
model=nn.Linear(1,1)#입력 node 한개 출력 node 한개인 layer
print(model)#(in=레이어 갯수, out=레이어 갯수, bias=True 끄면 False로 나옴)

print(model.weight)
print(model.bias)
#가중치와 편향 두개 다 이미 tensor로 만들어져있고 requires_grad = True로 되어있음 학습을 해야하기 때문에

y = model(x)#x를 model이라는 인공 신경망에 통과
print(y)#1에 weight 곱하고 bias 더한 값

y2 = x @ model.weight + model.bias # 식으로 표현

fc1 = nn.Linear(1,3)
fc2 = nn.Linear(3,1)

print(fc1.weight)
print(fc1.bias)
print(fc2.weight)
print(fc2.bias)

x = torch.tensor([1.])
x = fc1(x)
print(x)
y = fc2(x)
print(y)

y2 = (x @ fc1.weight.T + fc1.bias) @ fc2.weight.T + fc2.bias # 식으로

model = nn.Linear(2,3)
# 데이터 여러개를 통과시키고 싶다면 개x채의 형태로 넣어야함 (채x개 개*채 둘다 안됨)
x = torch.randn(5,2)#개x채 2개의 채널(키,몸무게)을 가진 5명의 사람들

print(model(x))#5,3이 나옴 이유는 출력이 3인 레이어에 5번 집어 넣었으니 그 값이 5개 나올테고 출력이 3이니 3이 5개 쌓인 5,3 형태로 나오게 됨

x = torch.randn(4,5,2)#nn.Linear은 이거를 개x개x채로 들어오게 됨 2개의 특징을 가진 5사람이 4개의 조를 이루고 있다라는 뜻으로 생각하면 됨

#weight에 Transpose 하는 이유는 각각의 데이터에 똑같은 weight을 갖고오니까 3,2 데이터에는 똑같이 3,2 weight가 있기에 이러면 행렬 곱 연산을 못함 그래서 할 수 있게 만들 기 위해 Transpose

fc1 = nn.Linear(1,3)
fc2 = nn.Linear(3,1)

x = torch.tensor([1.])
model = nn.Sequential(fc1,fc2)#(1번째,2번째) 순서로 한번에 통과시키는 기능
print(model(x))

model = nn.Sequential(nn.Linear(2,5),
                      nn.Linear(5,10),
                      nn.Linear(10,3)) # 보통 이렇게 표현

x = torch.randn(5,2)
print(x)
print(model(x))

class MyModel(nn.Module):
    def __init__(self):
        super().__init__()

        self.fc1 = nn.Linear(2,5)
        self.fc2 = nn.Linear(5,10)
        self.fc3 = nn.Linear(10,3)
        self.act = nn.Sigmoid()

    def forward(self,x) : 
        x = self.fc1(x)
        x = self.act(x)
        x = self.fc2(x)
        x = self.act(x)
        x = self.fc3(x)
        x = self.act(x)
        return x

model = MyModel()
x = torch.randn(5,2)
y = model(x)#model.forward(x)와 같은 표현 nn.Module에는 __call__이라는 스페셜 메서드가 있는데 인스턴스()형태로 호출 가능

class MyModel2(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Sequential(nn.Linear(2,5),
                                    nn.Sigmoid(),
                                    nn.Linear(5,10),
                                    nn.Sigmoid(),
                                    nn.Linear(10,3),
                                    nn.Sigmoid())
    def forward(self,x):
        x = self.linear(x)
        return x

model2 = MyModel2()
x = torch.randn(5,2)
y = model2(x)
    
list(model.parameters())#model이 가지고 있는 모든 파라미터를 보여줌

num = sum([p.numel() for p in model.parameters() if p.requires_grad])#파라미터 수 구하기
print(num)