一、定义Pytorch模型

暮棂

已于 2022-03-16 14:58:03 修改

阅读量2.1k

点赞数 4

分类专栏： pytorch 文章标签： pytorch python 人工智能

于 2022-03-14 23:06:11 首次发布

本文链接：https://blog.youkuaiyun.com/wszfe/article/details/123490859

版权

本文详细介绍了PyTorch中定义模型的三种方式：Sequential、ModuleList和ModuleDict，以及如何利用它们构建复杂的网络结构，如U-Net模型。通过卷积、池化和全连接层的基础知识，解释了网络模型的工作原理，并展示了如何在PyTorch中修改和扩展模型，包括添加额外输入和输出。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. PyTorch模型定义的方式

1.1 torch.nn.Sequential

以上两种方式的唯一区别在于：

1.2 torch.nn.ModuleList

1.3 torch.nn.ModuleDict

1. PyTorch模型定义的方式

基于nn.Module，我们可以通过Sequential,ModuleList,ModuleDict三种方式来定义Pytorch模型。

torch.nn.Module是所有网络的基类，在Pytorch实现的Model都要继承该类。而且，Module是可以包含其他的Module的，以树形的结构来表示一个网络结构

1.1 torch.nn.Sequential

torch.nn.Sequential 类是 torch.nn 中的一种序列容器，通过在容器中嵌套各种实现神经网络中具体功能相关的类，来完成对神经网络模型的搭建，最主要的是，参数会按照我们定义好的序列自动传递下去。
我们可以将嵌套在容器中的各个部分看作是不同的模块，这些模块可以自由组合。

方式一：直接排列

import torch.nn as nn
hidden_layor = 256
input_data = 784
output_data = 10
net = nn.Sequential(
    nn.Linear(input_data,hidden_layor),      #完成从输入层到隐藏层的线性变换
    nn.ReLU(),  #激活层
    nn.Linear(hidden_layor,output_data),  #隐藏层到输出层的线性变换
)
print(net)

方式二：使用OrderDict有序字典进行传入搭建的模型

hidden_layor = 256
input_data = 784
output_data = 10

import collections
import torch.nn as nn
net2 = nn.Sequential(collections.OrderedDict
                     ([
                         ('Line1',nn.Linear(input_data,hidden_layor)),
                         ('Relu1',nn.ReLU()),
                         ('Line2',nn.Linear(hidden_layor,output_data))
                     ]))
print(net2)

以上两种方式的唯一区别在于：

使用第二种方式搭建的模型，每一个模块都可以自定义名字
第一个方式搭建的模块是默认从0开始的数字序号作为每一个模块的名字

1.2 torch.nn.ModuleList

ModuleList是以list的形式保存sub-modules或者网络层，这样就可以先将网络需要的layer构建好保存到一个list，然后通过ModuleList方法添加到网络中。

import torch.nn as nn

hidden_layor = 256
input_data = 784
output_data = 10

net = nn.ModuleList([nn.Linear(input_data,hidden_layor),nn.ReLU()])
net.append(nn.Linear(hidden_layor,output_data))
print(net) # 类似List的索引访问
print(net[0])

nn.ModuleList 并没有定义一个网络，它只是将不同的模块储存在一起。ModuleList中元素的先后顺序并不代表其在网络中的真实位置顺序，需要经过forward函数指定各个层的先后顺序后才算完成了模型的定义。如下：

class model(nn.Module):
    def __init__(self):
        super(model,self).__init__()
        # 构建layer的list
        self.linears = nn.ModuleList([nn.Linear(10, 10) for i in range(10)])
    def forward(self,x):
        # 正向传播，使用遍历每个Layer
        for i, l in enumerate(self.linears):
            x = self.linears[i // 2](x) + l(x)
        return x

1.3 torch.nn.ModuleDict

ModuleDict和ModuleList的作用类似，只是ModuleDict能够更方便地为神经网络的层添加名称。

import torch.nn as nn

hidden_layor = 256
input_data = 784
output_data = 10

net = nn.ModuleDict({
    'Line1':nn.Linear(input_data,hidden_layor),
    'ReLu':nn.ReLU()})
net['Line2'] = nn.Linear(hidden_layor,output_data)

print(net)
print(net['Line2'])
print(net.Line2)

1.4 实战

import torch
import torch.nn as nn
from torch.autograd import Variable

batch_n = 100   #? 一个批次中输入数据的数量，意味着在一个批次中输入100个数据
hidden_layer = 100
input_data = 1000   #? 1000个特征
output_data = 10

#! 输入输出
x = Variable(torch.randn(batch_n,input_data),requires