Pytorch深度学习实战3-6：详解网络骨架模块nn.Module(附实例)

最新推荐文章于 2024-07-23 20:00:00 发布
最新推荐文章于 2024-07-23 20:00:00 发布
阅读量3.4k 收藏 56
点赞数 37
分类专栏： # Pytorch基础技巧实战 Pytorch深度学习实战 文章标签： 深度学习 pytorch 人工智能 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FRIGIDWINTER/article/details/129352729
版权

目录

1 什么是nn.Module？

在实际应用过程中，经典网络结构(如卷积神经网络)往往不能满足我们的需求，因而大多数时候都需要自定义模型，比如：多输入多输出(MIMO)、多分支模型、跨层连接模型等。nn.Module就是Pytorch中用于自定义模型的核心方法。在Pytorch中，自定义层、自定义块、自定义模型，都是通过继承nn.Module类完成的。

nn.Module的定义如下

class Module(object):
    def __init__(self)
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Mr.Winter`
关注
  • 37
    点赞
  • 踩
  • 56
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 9
    评论
专栏目录
订阅专栏
Pytorch深度学习-----神经网络之Sequential的详细使用及实战详解
LGL
08-03 2246
"Sequential"是一个时序容器，可以将各种层按顺序添加到容器中，从而简化神经网络模型的搭建。它可以从头开始构建模型，也可以在其他容器（如Sequential、Functional、Subclass）中构建模型，还可以与其他容器组合使用。官网解释：官网的举例应用。
深度学习–第9篇: Pytorch模型创建与nn.Module
12-21
Pytorch模型创建与nn.Module1. 模型创建步骤1.1 构建模型的两要素2. nn.Module属性2.1 torch.nn2.2 nn.Module3. 模型容器Containers3.1 nn.Sequential3.2 nn.ModuleList3.3 nn.ModuleDict3.4 容器总结4. AlexNet创建5. VGG16创建6. MobileNetv2创建 1. 模型创建步骤 原创文章 23获赞 6访问量 1992 关注
PyTorch 入坑七：模块与nn.Module学习
鲁点点的博客
09-21 1553
模型创建概述 本章开始正式整理深度学习网络相关基础知识。 模型创建分为两个部分：模型结构创建和权值初始化。 模型结构创建从粒度上讲：有层layer和网络Net 两个粒度。前者是指构成CNN的基础结构，如卷积层、池化层、BN层、激活函数层、损失函数层等；后者是指实现某一功能的网络结构如LeNet，AlexNet和ResNet等。 创建好模型后，需要对模型进行权值初始化，pytorch提供了丰富的初始化方法，Xavier，Kaiming，均匀分布，正态分布等。好的权重初始化有以下几点优点： 加速网络收敛 解更
PyTorch 的 torch.nn 模块学习
pumpkin84514的博客
06-01 1346
torch.nn是 PyTorch 中专门用于构建和训练神经网络的模块。
Pytorch深度学习-----完整神经网络模型训练套路
LGL
08-12 705
定义适当的损失函数来计算模型预测结果于真实标签之间的差异。选择适当的优化器算法来更新模型参数，如随机梯度下降（SGD）、Adam等。使用torchvision库加载CIFAR10数据集。将训练集和测试集分别存放在train_data和test_data中。引用model.py文件，在其中创建名为"Lgl"的模型。定义损失函数为交叉熵损失（nn.CrossEntropyLoss）。定义优化器为随机梯度下降（SGD）优化器，并将模型参数传递给优化器。
Pytorch深度学习-----神经网络之池化层用法详解及其最大池化的使用
LGL
07-31 1713
kernel_size：表示池化核的大小，类型为int 或者元组。stride=None：表示步长的大小，与卷积层不同，池化层步长大小默认为kernel_size的大小。padding=0：表示在输入图像外围增加一圈0，和前面卷积核一样。dilation=1：表示设置核的膨胀率，默认 dilation=1，即如果kernel_size =3，那么核的大小就是3×3。
Pytorch深度学习-----神经网络之非线性激活的使用(ReLu、Sigmoid)
LGL
08-01 309
首先先查看官网对其解释：如下图所示可以见到有一个参数inplace，布尔类型，所以具有两种情况当inplace 为True时，会将输入数据进行替换；当inplace 为False时，输入数据不进行替换。即：input=-1 经过 Relu(input,inplace=True)后，input=0；input=-1 经过 Relu(input,inplace=False)后，input=-1；即将小于0的数据替换为0由官网的图像可以推测，Relu函数的表达式为。
PyTorch深度学习-跟着小土堆学习
孟孟单单的博客
05-11 4588
目录学习视频链接P4：Python/PyTorch学习中两大法宝函数-dir()、help() 学习视频链接 学习非一日之功，而我又是脑子转得慢，只有慢慢学起来呀！ 先从第一个【小土堆】的视频学起来！ PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】 《PyTorch深度学习实践》完结合集-刘二大人 【小土堆】给出的资料：（2021-5-31完结的） 个人公众号：土堆碎念 各种资料，请自取。 代码：https://github.com/xiaotudui/PyTorch-Tutoria
Pytorch深度学习-----神经网络之卷积层用法详解
LGL
07-31 1155
从上述可知，总共有9个参数，具体解释如下：in_channels：表示输入的图片通道数目。out_channels：表示输出的图片通道数目。kernel_size：表示卷积核的大小，当卷积是正方形的时候，只需要一个整数边长即可，卷积不是正方形，要输入一个元组表示高和宽。stride：表示每次卷积核移动的步长值。padding：表示是否添加边界，一旦设置就是四周都添加。在原始的行列基础上，行增加2行，列增加2列。dilation：表示控制卷积核之间的间距。
深度学习三(PyTorch物体检测实战)
qq_48034474的博客
02-18 3593
深度学习三(PyTorch物体检测实战)
Python库 | pytorch-doc-zh-2022.3.20.0.tar.gz
04-14
资源分类：Python库 所属语言：Python 资源全名：pytorch-doc-zh-2022.3.20.0.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
深度学习与PyTorch入门实战教程-循环神经网络RNN&LSTM.rar
04-07
深度学习是人工智能领域的一个重要分支，它通过模拟人脑的学习方式来处理复杂的数据。PyTorch，由Facebook的AI研究团队开发，是一个流行的深度学习框架，以其灵活性和易用性深受开发者喜爱。本教程旨在帮助初学者...
强化学习-基于Pytorch的深度强化学习的模块化实现-附项目源码-优质项目实战.zip
05-28
在本项目中，我们将深入探讨如何使用PyTorch这一强大的深度学习库来实现强化学习的模块化设计，从而更好地理解和应用这些概念。 PyTorch是一个灵活且高效的Python库，广泛用于构建和训练深度神经网络。它支持动态...
Python库 | pytorch_lightning-1.1.2-py3-none-any.whl
05-09
资源分类：Python库 所属语言：Python 资源全名：pytorch_lightning-1.1.2-py3-none-any.whl 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
Pytorch深度学习-----实现神经网络模型在GPU上进行训练的方法
LGL
08-13 2037
在代码中，通过调用来指定使用GPU进行计算。这是一种通用的方式，可以让PyTorch自动选择当前系统中的可用GPU。如果系统中有多个GPU可用，PyTorch将默认使用第一个可用的GPU作为计算设备。如果你希望明确指定使用哪一块GPU，可以使用来指定使用第一块GPU，或者使用来指定使用第二块GPU，以此类推。通过这种方式，你可以明确指定使用哪一块GPU来进行计算。需要注意的是，具体的GPU编号取决于系统中GPU的配置和可用情况，可以通过运行来查看系统中可用的GPU数量以及它们的编号。
学习在测试时学习（Learning at Test Time）: 具有表达性隐藏状态的循环神经网络（RNNs）
最新发布
AI浩
07-23 931
https://arxiv.org/pdf/2407.04620 自注意力机制在长文本语境中表现良好，但其复杂度为二次方。现有的循环神经网络（RNN）层具有线性复杂度，但其在长文本语境中的性能受到隐藏状态表达能力的限制。我们提出了一种新的序列建模层类，该类具有线性复杂度和高表达能力的隐藏状态。核心思想是将隐藏状态本身视为一个机器学习模型，而其更新规则则是自监督学习的一个步骤。由于隐藏状态甚至在测试序列上通过训练进行更新，因此我们的层被称为测试时训练（Test-Time Training，TTT）层。我们考虑
【目标检测实验系列】EMA高效注意力机制，融合多尺度特征，助力YOLOv5检测模型涨点(文内附源码)
弗兰-随风小欢的博客
07-23 781
本篇博客主要介绍了高效多尺度注意力机制EMA，融合多尺度特征信息，助力YOLOv5模型涨点。另外，在修改过程中，要是有任何问题，评论区交流；
GPU驱动、CUDA 、cuDNN 和CUDA Toolkit之间的关系（深度学习小白必懂）
weixin_44115575的博客
07-23 1040
GPU驱动、CUDA、cuDNN和CUDA Toolkit之间有着紧密的关系，它们共同构成了一个完整的GPU编程和深度学习开发环境。 在最初配置anaconda环境时一直搞不明白它们之间的关系。所以根据自己的理解，通俗详细解释它们各自的角色和相互间的关系，并且列举了一些在anaconda虚拟环境中的例子。 不对的地方希望大家指正。
class HetGraphSAGE(torch.nn.Module):这里的torch.nn.Module是什么意思
05-27
torch.nn.Module是PyTorch中的一个基类，它是所有神经网络模型的父类。在PyTorch中，如果想要定义一个神经网络模型，需要继承自这个基类，并且实现模型的前向计算过程。 通过继承torch.nn.Module，可以获得许多常用的网络结构和函数，比如说线性层、卷积层、激活函数等，可以方便地组合这些组件来构建复杂的神经网络模型。同时，也可以通过重写forward()方法来实现自定义的前向计算过程。 在这段代码中，HetGraphSAGE类继承自torch.nn.Module，表示它是一个神经网络模型，并且可以使用PyTorch提供的各种网络组件和函数来构建模型。
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Mr.Winter`

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值