深度学习：04 神经网络的搭建

首先，这里主要是能够建立一个神经网络，不免会用到torch.nn，所以涉及到的会有讲解，没有用到的就我也不是很了解的。当然在这里我提供了链接Module，方便进行学习。​​​

Containers（容器）：

中文翻译为容器，也有称是骨架。在这个内容下面也有许多类，那常用的就是这个Module类

class torch.nn.Module

所有网络的基类，你的模型也应该继承这个类。

nn.Module是PyTorch提供的神经网络类，并在类当中实现了网络各层的定义及前向计算与反向传播机制。实际运用中，如果想实现某个神经网络，只需继承nn.Module，在初始化中定义模型结构与参数，在forward()中编写网络前向过程。

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

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

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

这是在定义一个网络的时候所要用到的，你可以把这个当作模板进行套用，这段代码来自help文档里面。

返回包含当前模型所有模块的迭代器

import torch.nn as nn
class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.add_module("conv", nn.Conv2d(10, 20, 4))
        self.add_module("conv1", nn.Conv2d(20 ,10, 4))
model = Model()

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

输出：

Model (
  (conv): Conv2d(10, 20, kernel_size=(4, 4), stride=(1, 1))
  (conv1): Conv2d(20, 10, kernel_size=(4, 4), stride=(1, 1))
)
Conv2d(10, 20, kernel_size=(4, 4), stride=(1, 1))
Conv2d(20, 10, kernel_size=(4, 4), stride=(1, 1))

方法不唯一，有多种方式，比如children()，但又有区别。

修改记录：

2022年12月31日初版