torch.nn.Module.modules()

最新推荐文章于 2024-06-14 17:18:11 发布
最新推荐文章于 2024-06-14 17:18:11 发布
阅读量2.8k 收藏 7
点赞数 5
分类专栏： 零基础学习SSD网络PyTorch实现 Deep-Learning-with-PyTorch 《深度学习之PyTorch实战计算机视觉》
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/m0_46653437/article/details/112647932
版权

参考链接: torch.nn.Module.modules()

说明:

注意torch.nn.Module.modules()和torch.nn.Module.children()方法的区别:

前者modules()会递归地遍历所有子模块,
包括子模块的子模块、子模块的子模块的子模块,等等依此类推.

后者children()只会遍历所有直接子模块,不再递归下去,
即子模块的子模块不会被遍历到.

在这里插入图片描述

原文及翻译:


modules()  modules()方法  
    Returns an iterator over all modules in the network.
    返回一个迭代器,这个迭代器能够遍历神经网络中的所有模块.
    Yields  迭代返回
        Module – a module in the network
        Module类型 - 神经网络中的一个模块


    Note  注意:
    	Duplicate modules are returned only once. 
    	重复的模块只返回一次.
    	In the following example, l will be returned only once.
    	在以下例子中,模块对象l只返回一次.


    Example: 例子:

    >>> l = nn.Linear(2, 2)
    >>> net = nn.Sequential(l, l)
    >>> for idx, m in enumerate(net.modules()):
            print(idx, '->', m)

    0 -> Sequential(
      (0): Linear(in_features=2, out_features=2, bias=True)
      (1): Linear(in_features=2, out_features=2, bias=True)
    )
    1 -> Linear(in_features=2, out_features=2, bias=True)

代码实验1:

Windows PowerShell
版权所有 (C) Microsoft Corporation。保留所有权利。

尝试新的跨平台 PowerShell https://aka.ms/pscore6

加载个人及系统配置文件用了 1144 毫秒。
(base) PS C:\Users\chenxuqi\Desktop\News4cxq\test4cxq> conda activate ssd4pytorch1_2_0
(ssd4pytorch1_2_0) PS C:\Users\chenxuqi\Desktop\News4cxq\test4cxq> python
Python 3.7.7 (default, May  6 2020, 11:45:54) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> import torch.nn as nn
>>> l = nn.Linear(2, 2)
>>> net = nn.Sequential(l, l)
>>> for idx, m in enumerate(net.modules()):
...     print(idx, '->', m)
... 
0 -> Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)
1 -> Linear(in_features=2, out_features=2, bias=True)  
>>> 
>>> l1 = nn.Linear(2, 2) 
>>> l2 = nn.Linear(4, 4) 
>>> net = nn.Sequential(l1, l2) 
>>> for idx, m in enumerate(net.modules()):
...     print(idx, '->', m)
... 
0 -> Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=4, out_features=4, bias=True)
)
1 -> Linear(in_features=2, out_features=2, bias=True)
2 -> Linear(in_features=4, out_features=4, bias=True)
>>>
>>> 
>>> l1 = nn.Linear(2, 2) 
>>> l2 = nn.Linear(2, 2)  
>>> net = nn.Sequential(l1, l2) 
>>> for idx, m in enumerate(net.modules()):
...     print(idx, '->', m)
... 
0 -> Sequential(
  (0): Linear(in_features=2, out_features=2, bias=True)
  (1): Linear(in_features=2, out_features=2, bias=True)
)
1 -> Linear(in_features=2, out_features=2, bias=True)
2 -> Linear(in_features=2, out_features=2, bias=True)
>>>
>>> 
>>>

代码实验2:

import torch 
class Model(torch.nn.Module):
    def __init__(self):
        super(Model,self).__init__()
        self.conv1=torch.nn.Sequential(  # 输入torch.Size([64, 1, 28, 28])
                torch.nn.Conv2d(1,64,kernel_size=3,stride=1,padding=1),
                torch.nn.ReLU(),  # 输出torch.Size([64, 64, 28, 28])
                torch.nn.Conv2d(64,128,kernel_size=3,stride=1,padding=1),  # 输出torch.Size([64, 128, 28, 28])
                torch.nn.ReLU(),
                torch.nn.MaxPool2d(stride=2,kernel_size=2)  # 输出torch.Size([64, 128, 14, 14])
        )

        self.dense=torch.nn.Sequential(  # 输入torch.Size([64, 14*14*128])
                    torch.nn.Linear(14*14*128,1024),  # 输出torch.Size([64, 1024])
                    torch.nn.ReLU(),
                    torch.nn.Dropout(p=0.5),
                    torch.nn.Linear(1024,10)  # 输出torch.Size([64, 10])        
        )
        self.layer4cxq1 = torch.nn.Conv2d(2,33,4,4)
        self.layer4cxq2 = torch.nn.ReLU()
        self.layer4cxq3 = torch.nn.MaxPool2d(stride=2,kernel_size=2)
        self.layer4cxq4 = torch.nn.Linear(14*14*128,1024)
        self.layer4cxq5 = torch.nn.Dropout(p=0.8)
    
    def forward(self,x):  # torch.Size([64, 1, 28, 28])
        x = self.conv1(x)  # 输出torch.Size([64, 128, 14, 14])
        x = x.view(-1,14*14*128)  # torch.Size([64, 14*14*128])
        x = self.dense(x)  # 输出torch.Size([64, 10])
        return x

print('cuda(GPU)是否可用:',torch.cuda.is_available())
print('torch的版本:',torch.__version__)

model = Model() #.cuda()

print("测试模型(CPU)".center(100,"-"))
print(type(model))

print("测试模型modules()方法".center(100,"-"))

for child in model.modules():
    print(child)

控制台输出结果:

Windows PowerShell
版权所有 (C) Microsoft Corporation。保留所有权利。

尝试新的跨平台 PowerShell https://aka.ms/pscore6

加载个人及系统配置文件用了 1035 毫秒。
(base) PS C:\Users\chenxuqi\Desktop\News4cxq\test4cxq> conda activate ssd4pytorch1_2_0
(ssd4pytorch1_2_0) PS C:\Users\chenxuqi\Desktop\News4cxq\test4cxq>  & 'D:\Anaconda3\envs\ssd4pytorch1_2_0\python.exe' 'c:\Users\chenxuqi\.vscode\extensions\ms-python.python-2020.12.424452561\pythonFiles\lib\python\debugpy\launcher' '51853' '--' 'c:\Users\chenxuqi\Desktop\News4cxq\test4cxq\test31.py'
cuda(GPU)是否可用: True
torch的版本: 1.2.0+cu92
---------------------------------------------测试模型(CPU)----------------------------------------------
<class '__main__.Model'>
------------------------------------------测试模型modules()方法-------------------------------------------
Model(
  (conv1): Sequential(
    (0): Conv2d(1, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU()
    (2): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU()
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (dense): Sequential(
    (0): Linear(in_features=25088, out_features=1024, bias=True)
    (1): ReLU()
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=1024, out_features=10, bias=True)
  )
  (layer4cxq1): Conv2d(2, 33, kernel_size=(4, 4), stride=(4, 4))
  (layer4cxq2): ReLU()
  (layer4cxq3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  (layer4cxq4): Linear(in_features=25088, out_features=1024, bias=True)
  (layer4cxq5): Dropout(p=0.8, inplace=False)
)
Sequential(
  (0): Conv2d(1, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (1): ReLU()
  (2): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (3): ReLU()
  (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
Conv2d(1, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
ReLU()
Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
ReLU()
MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
Sequential(
  (0): Linear(in_features=25088, out_features=1024, bias=True)
  (1): ReLU()
  (2): Dropout(p=0.5, inplace=False)
  (3): Linear(in_features=1024, out_features=10, bias=True)
)
Linear(in_features=25088, out_features=1024, bias=True)
ReLU()
Dropout(p=0.5, inplace=False)
Linear(in_features=1024, out_features=10, bias=True)
Conv2d(2, 33, kernel_size=(4, 4), stride=(4, 4))
ReLU()
MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
Linear(in_features=25088, out_features=1024, bias=True)
Dropout(p=0.8, inplace=False)
(ssd4pytorch1_2_0) PS C:\Users\chenxuqi\Desktop\News4cxq\test4cxq>
敲代码的小风
关注
  • 5
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
自回归滑动平均（Auto Regressive Moving Average Model，ARMA）模型
my_learning_road的博客
07-24 1万+
在有些应用中，我们需要高阶的AR或MA模型才能充分地描述数据的动态结构，这样问题会变得很繁琐。为了克服这个困难，提出了自回归滑动平均(ARMA)模型。 基本思想是把AR和MA模型结合在一起，使所使用的参数个数保持很小。 模型的形式为： 其中，{at}为白噪声序列，p和q都是非负整数。AR和MA模型都是ARMA(p,q)的特殊形式。 利用向后推移算子B，上述模型可写成: ...
matlab建立ar时间序列模型_【视频教程】Eviews系列18|ARCH模型及GARCH模型时间序列分析...
weixin_36398572的博客
12-24 1010
点击上方关注我们!本期我们学习Eviews统计建模之ARCH模型及GARCH模型时间序列分析。实操：ARCH模型及GARCH模型自相关及偏自相关分析、时间序列分析。时间序列分析上图展示的是AR(6)模型的估计结果,从中能够看出,AR(1)-AR(5)经过T统计检验得到的值分别为-0.76,-1.45,0.34,-1.54,-1.29,相应的P值分别为0.45,0.16,0.73,0.13...
非集计模型及其应用研究
01-19
非集计模型及其应用研究，杨丽，杨德明，运用效用概念，按照效用最大原则推导出效用服从Gumble分布时的Logit模型。在此基础上结合Matlab软件利用似然函数法，对Logit模型中的参�
深度学习（六）——神经网络的基本骨架：nn.Module的使用
最新发布
2401_85325519的博客
06-14 1195
**Module**：对于**所有**神经网络提供一个基本的骨架，一般定义一个神经网络用如下代码。其中，_Model_代表模型的名称，_nn.Module_就是继承了这个类的模板。然后我们先用`__init__`初始化，其中`super(Model,self).__init__()`指的是对父类进行初始化，后面的部分是根据自己构建的神经网络个性化定制的。之后我们使用`forword`函数对输入数据进行计算，也可以这么理解：对于一个神经网络，_首先输入数据-->使用forword函数计算数据-->输出数据
【交通规划】【期末】知识点回忆
Douglas的博客
06-25 820
介绍了交通规划的一些考试知识点
自回归滑动平均（ARMA）模型
qq_38313294的博客
04-12 1万+
ARMA模型及处理数据一般流程：预处理，平稳性检验，模型识别，模型定阶，参数估计，模型检验
pytorch 中的重要模块化接口nn.Module的使用
12-20
2. **_modules** 字典：包含了所有子`Module`实例，这些子模块可以是其他复杂的网络层或者简单的线性层、卷积层等。 3. **_buffers** 字典：用于存储在前向传播过程中需要缓存的中间结果，但这些结果不会参与反向...
HealthApp（20210101更新，注明仅仅供参考学习）-------补丁 patch
01-06
【HealthApp（20210101更新，注明仅仅供参考学习）-------补丁 patch】 这个标题表明我们正在处理一个针对HealthApp的补丁更新，日期为2021年1月1日。补丁是软件开发中的一个重要概念，通常用于修复程序中的错误、...
neuralconvo, 在 Torch 中，神经会话模型.zip
10-10
neuralconvo, 在 Torch 中，神经会话模型 Torch 中的神经会话模型在网络中实现序列学习，并将结果复制到神经会话模型中，从而实现了序列学习。在聪明地回答一些哲学问题之后，Google chatbot paper成为著名，比如：...
自回归滑动平均模型ARMA
行者的博客
06-05 1370
自回归滑动平均模型ARMA
时间序列分析——自回归移动平均（ARMA）模型
热门推荐
SUSU0203的博客
04-23 7万+
    一、时间序列与ARMA模型    自回归滑动平均模型（ARMA模型，Auto-Regression and Moving Average Model）是研究时间序列的重要方法，由自回归模型（AR模型）与滑动平均模型（MA模型）为基础“混合”而成，具有适用范围广、预测误差小的特点。    一般p阶自回归过程AR(p)是：        （1-1）其中{}为白噪声，为自回归模型的参数。若用滞后...
Pytorch-----torch.nn.Module.modules()
打工人。。
08-07 591
在使用pytorch构建神经网络时，定义的网络模型必须要继承自torch.nn.Module这一父类。在Module类中，有一个函数可以返回网络中所有模块的迭代器。这就是torch.nn.Module.modules()提示：以下是本篇文章正文内容，下面案例可供参考。
学习汇报-2018.07.18
weixin_42724104的博客
07-18 829
1 当在GROMACS中体系太大，而使用隐式水时，按照以下步骤： Pdb2gmx时，不输入-water，然后在选水时，选择7，none 加入盒子，使用gmx  editconf，正常加盒子就行 加入离子，加离子的方法：1) 自己做一个离子的gro文件，例如这样子的(命名为NA.gro)： 2) 使用gmx insert-molecules插入离子 gmx insert-molecule...
自回归，移动平均模型，ARMA，ARIMA
天天向上的专栏
05-11 4426
近段时间在论文里经常见到一些学者用自回归模型（Auto-regression）生成时间序列数据的随机数，决定总结一些。 时间序列数据 {xt}\{x_t\}{xt​} 可以表示为它的前期值和随机误差项的线性函数，即 xt=ct+φ1xt−1+φ2xt−2+⋯+φpxt−p+εt x_t=c_t+\varphi_1 x_{t-1}+\varphi_2 x_{t-2}+\dots+\varphi_p x_{t-p}+\varepsilon_t xt​=ct​+φ1​xt−1​+φ2​xt−2​+⋯+φp​xt−
Pytorch 容器 - 1. Module类介绍
Aaron_neil的博客
04-16 1391
(1) 属性访问：modules(), named_modules(), buffers(), named_buffers(), children(), named_children(), parameters(), named_parameters() 等。(2) 属性设置：register_parameter()，register_buffer()，register_forward_hook()，register_forward_pre_hook() 等。对于这些内置函数的详细介绍，在。
C#框架编程动态加载模块（二）
chengbao的专栏
10-14 1275
本文系原创，转载请注明出处： https://blog.csdn.net/chengbao315/article/details/83044477 在上一篇博客中，我完成了界面的设计部分，下面我接着来讲具体的代码实现。先来看模块配置页面的实现，看代码： private void LoadItem() { string sql = "s...
【交通规划原理】第七章——交通方式划分
Douglas的博客
03-18 1889
对交通方式选择的影响因素、方式划分的模型进行了介绍。
运用自回归滑动平均模型、灰色预测模型、BP神经网络三种模型分别预测全球平均气温，并进行预测精度对比（附代码、数据）
qq_45856698的博客
03-01 8206
大家好，我是带我去滑雪，每天教你一个小技巧！全球变暖是近十年来，人们关注度最高的话题。2022年夏天，蔓延全球40℃以上的极端天气不断刷新人们对于高温的认知，人们再也不会像从前那样认为全球变暖离我们遥不可及。在此背景下，基于1880年-2022年全球平均气温时间序列数据，分别构建出ARIMA(3,1,2)自回归模型、灰色预测模型、BP神经网络三种模型，并分别对2050、2100年全球平均温度进行了预测，并将三种预测模型的预测效果进行了对比，文中所用数据和代码均可在文末获取。
我看别人有些torch.nn.modules.module.module的
05-12
是的，torch.nn.modules.module.Module 是 PyTorch 中所有神经网络模块的基类，包括各种层（如全连接层、卷积层、循环神经网络层等）、损失函数、优化器等。这个基类提供了一些通用的方法和属性，如参数管理、计算输出、前向传递等。因此，继承该基类可以方便地重用现有的功能，也可以方便地自定义新的层或模型。 在 PyTorch 中，所有的神经网络模块都继承自该基类，因此可以直接使用该基类提供的方法和属性。比如，可以使用 self.parameters() 方法获取模块中的所有可训练参数，使用 self.forward() 方法计算模块的输出等等。
评论
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
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