PyTorch（贰）：在pytorch中定义模型的方法（超全）

一、前言

        如果我们单纯使用python+numpy的方式来定义一个神经网络模型的话，当仅仅是实现一个线性回归等小模型时，并没有什么不可，但是当要实现的模型比较复杂的时候，比如需要定义很多层不同结构的模型时，就会显得很复杂。在pytorch中提供的大量预定义的层，我们只需要关注使用哪些层来进行构造网络。定义模型的方法大概可以分为两大类。

二、继承nn.Module

        实际使用中，最常用的做法是继承nn.Module，撰写自己的网络/层。使用这种方法一般需要包括一些层以及返回输出的前向传播方法。下面以实现线性回归来进行举例说明。

class LinearNet(torch.nn.Module):
    def __init__(self,n_feature):
        super(LinearNet,self).__init__()
        self.linear=torch.nn.Linear(n_feature,1) #使用torch.nn中的线性回归函数
    #定义前向传播
    def forward(self,x):
        y=self.linear(x)
        return y
net =LinearNet(num_inputs)
print(net)   #使用print可以打印出网络的结构

输出：

LinearNet(
  (linear): Linear(in_features=2, out_features=1, bias=True)
)

三、使用nn.Sequential()

        使用nn.Sequential（）可以很方便的搭建一个神经网络，Sequential是一个有序容器，网络层将依次将按照存入的顺序依次被添加到计算图里面。使用nn.Sequential有三种方式，效果都是一致的，下面将通过代码进行介绍。

#写法一：
net=torch.nn.Sequential(
    torch.nn.Linear(num_inputs,1)
    #torch.nn.xxx
    #此处可以传入其它层
    )
#写法二：
net=torch.nn.Sequential()
net.add_module('linear',torch.nn.Linear(num_inputs,1))
#net.add_module.....


#写法三
from collections import OrderedDict
net = torch.nn.Sequential(OrderedDict([
    ('linear',torch.nn.Linear(num_inputs,1)),
    #xxxx
    ]))
print(net)

输出：

Sequential(
  (linear): Linear(in_features=2, out_features=1, bias=True)
)