神经网络快速搭建

最新推荐文章于 2024-09-30 19:19:09 发布

原创最新推荐文章于 2024-09-30 19:19:09 发布 · 329 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #神经网络快速搭建 #Pytorch

神经网络专栏收录该内容

20 篇文章

订阅专栏

本文介绍了在Pytorch中快速搭建神经网络的方法，通过对比传统继承神经网络结构和使用nn.Module一句话搭建的方式，阐述了nn.Module的优势在于可以更个性化地定义前向传播过程，适合需要定制操作的场景。同时，如果需求简单，nn.Sequential则更为简洁适用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

快速搭建

我们先看看之前写神经网络时用到的步骤. 我们用 net1 代表这种方式搭建的神经网络.

class Net(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)
        self.predict = torch.nn.Linear(n_hidden, n_output)

    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.predict(x)
        return x

net1 = Net(1, 10, 1)   # 这是我们用这种方式搭建的 net1

我们用 class 继承了一个 torch 中的神经网络结构, 然后对其进行了修改, 不过还有更快的一招, 用一句话就概括了上面所有的内容!

net2 = torch.nn.Sequential(
    torch.nn.Linear(1, 10),
    torch.nn.ReLU(),
    torch.nn.Linear(10, 1)
)

我们再对比一下两者的结构:

print(net1)
"""
Net (
  (hidden): Linear (1 -> 10)
  (predict): Linear (10 -> 1)
)
"""
print(net2)
"""
Sequential (
  (0): Linear (1 -> 10)
  (1): ReLU ()
  (2): Linear (10 -> 1)
)
"""

我们会发现 net2 多显示了一些内容, 这是为什么呢? 原来他把激励函数也一同纳入进去了, 但是 net1 中, 激励函数实际上是在 forward() 功能中才被调用的. 这也就说明了, 相比 net2, net1 的好处就是, 你可以根据你的个人需要更加个性化你自己的前向传播过程, 比如(RNN). 不过如果你不需要七七八八的过程, 相信 net2 这种形式更适合你.

所以这也就是在我 github 代码中的每一步的意义啦.