pytorch使用torch.nn.Sequential快速搭建神经网络

最新推荐文章于 2024-08-26 21:51:12 发布

追光少年羽

最新推荐文章于 2024-08-26 21:51:12 发布

阅读量1k

点赞数 2

分类专栏： Deeplearn 文章标签： pytorch 神经网络深度学习

本文链接：https://blog.csdn.net/a15608445683/article/details/124632777

版权

Deeplearn 专栏收录该内容

22 篇文章 18 订阅

订阅专栏

本文介绍了如何使用torch.nn.Sequential模块简便地搭建神经网络，包括其基本用法和与自定义网络类的比较。Sequential容器允许按照顺序添加模块，如卷积层和激活函数，并自动处理前向传播。示例中展示了使用Sequential构建的网络结构与传统定义的网络在结构上的区别。

摘要由CSDN通过智能技术生成

torch.nn.Sequential是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。另外，也可以传入一个有序模块。为了更容易理解，官方给出了一些案例：

# Sequential使用实例

model = nn.Sequential(
          nn.Conv2d(1,20,5),
          nn.ReLU(),
          nn.Conv2d(20,64,5),
          nn.ReLU()
        )

# Sequential with OrderedDict使用实例
model = nn.Sequential(OrderedDict([
          ('conv1', nn.Conv2d(1,20,5)),
          ('relu1', nn.ReLU()),
          ('conv2', nn.Conv2d(20,64,5)),
          ('relu2', nn.ReLU())
        ]))

torch.nn.Sequential快速搭建神经网络

为了方便比较，我们先用普通方法搭建一个神经网络。

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)

上面class继承了一个torch中的神经网络结构, 然后对其进行了修改；接下来我们来使用torch.nn.Sequential来快速搭建一个神经网络。

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

我们来打印一下2个神经网络的数据，查看区别:

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

我们可以发现，使用torch.nn.Sequential会自动加入激励函数, 但是 net1 中, 激励函数实际上是在 forward() 功能中才被调用的.