前向传播函数是什么？

什么是前向传播？

前向传播（Forward Propagation）就是神经网络处理输入数据、产生输出的过程。

生活类比

想象一个工厂流水线：

1
2
3
4
5
6
7
8
9
10
11
12
13
原材料（输入图像）
    ↓
工位1：提取边缘特征
    ↓
工位2：提取纹理特征
    ↓
工位3：提取高级语义
    ↓
质检：压缩特征
    ↓
包装：分类结果
    ↓
成品（预测类别）

这个从原材料到成品的整个过程，就是前向传播。

在代码中的体现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
def forward(self, x):
    """
    前向传播函数
    参数:
        x: 输入张量，形状为 (batch_size, 3, 64, 64)
    返回:
        输出张量，形状为 (batch_size, num_classes)
    """
    # 第一层卷积特征提取
    x = self.conv1(x)
    # 第二层卷积特征提取
    x = self.conv2(x)
    # 第三层卷积特征提取
    x = self.conv3(x)
    # 全局平均池化，将特征图压缩为1x1
    x = self.global_avg_pool(x)
    # 展平张量，从 (batch_size, 64, 1, 1) 变为 (batch_size, 64)
    x = torch.flatten(x, 1)
    # 全连接层输出分类结果
    return self.fc(x)

数据流动过程

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# 输入：一张64x64的彩色图像
input_image = torch.randn(1, 3, 64, 64)  # [1, 3, 64, 64]

# 前向传播
output = model(input_image)

# 数据变化过程：
# [1, 3, 64, 64]  ← 输入图像
#   ↓ conv1 (卷积+池化)
# [1, 16, 32, 32]  ← 16个特征图，尺寸减半
#   ↓ conv2 (卷积+池化)
# [1, 32, 16, 16]  ← 32个特征图，尺寸再减半
#   ↓ conv3 (卷积+池化)
# [1, 64, 8, 8]   ← 64个特征图，尺寸继续减半
#   ↓ global_avg_pool
# [1, 64, 1, 1]   ← 压缩为1x1
#   ↓ flatten
# [1, 64]          ← 展平成向量
#   ↓ fc
# [1, 15]          ← 15个类别的得分

前向传播 vs 反向传播

1
2
3
4
5
6
7
前向传播（Forward）:
输入 → 网络 → 输出
用途：预测、推理

反向传播（Backward）:
输出 → 计算误差 → 更新参数
用途：训练、优化

对比：

1
2
3
4
5
6
7
8
# 前向传播：预测
output = model(input_image)  # 调用forward函数
predicted_class = torch.argmax(output, dim=1)

# 反向传播：训练
loss = criterion(output, target)  # 计算损失
loss.backward()  # 反向传播，计算梯度
optimizer.step()  # 更新参数