Containers中Module的基本使用

晓亮.

已于 2022-06-06 18:52:35 修改

阅读量1.6k

点赞数 2

分类专栏： PyTorch学习文章标签： python 开发语言 cnn 神经网络深度学习

于 2022-06-01 07:00:00 首次发布

本文链接：https://blog.csdn.net/m0_51816252/article/details/125073689

版权

PyTorch学习专栏收录该内容

17 篇文章 7 订阅

订阅专栏

Containers 中有6个模块，最常用的就是第一个Module。
我们所搭建的神经网络都行从Module这个类当中继承。

一、Module的官方文档

二、实例练习

1 代码及结果

2.torch.tensor()和torch.Tensor()的区别

一、Module的官方文档

import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        return F.relu(self.conv2(x))

详细注解：

import torch.nn as nn
import torch.nn.functional as F

class Modul(nn.Module):

#定义了一个神经网络，名字叫Module。然后它继承了nn.Module这个类。

相当于Module给我们所有的神经网络提供了一个模板，然后我们继承它，就是拿这个模板过来用，如果我们对其中一些部分可以进行修改，像这里应用的两个函数。

def __init__(self): #__init__函数，我们首先进行初始化。

super().__init__() #这一步是必须要的，等于 super(Module, self).__init__() [这是pyrhon2版本的写法，（）里的Module ，self，不能省略，但是pyrhon3可以省略了]
可以理解为super().__init__()，就是继承父类的init方法，调用它的初始化函数。

self.conv1 = nn.Conv2d(1, 20, 5)
self.conv2 = nn.Conv2d(20, 20, 5)
后面部分是我们自己写的，需要的步骤。

def forward(self, x): #self是指这个类本身，x是输入的数据。
x = F.relu(self.conv1(x)) #输入是x，先经过一次卷积conv1，再进行非线性处理relu
return F.relu(self.conv2(x))

#再经过一次卷积conv1，再进行非线性处理relu ，最后进行一个返回。

输入input->神经网络（结果forward处理）->output输出

（这个叫神经网络中的forward前向传播，除此之外，还有backward反向传播）

二、实例练习

1 代码及结果

这里我们可以自己写段简单的代码练习一下Module。

import torch
from torch import nn

#定义一个名字叫Test的神经网络的模板
class Test(nn.Module):
def __init__(self):
super(Test, self).__init__()

def forward(self, input):
output = input + 1
return output

#应用Test这个神经网络模板
test = Test() #使用Test这个模板来创建神经网络test，初始化

x = torch.tensor(1.2)
y = torch.Tensor(1,2)
output1 = test(x)
output2 = test(y)
print(output1)
print(output2)

运行结果：

tensor(2.2000)
tensor([[1., 1.]])