本文主要是用PyTorch来实现另一种快速搭建神经网络的方法。
编辑器:spyder
1.用类构建神经网络
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) # 这是我们用这种方式搭建的 net1
2.快速搭建
net2 = torch.nn.Sequential(
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1)
)
3.结构对比
print(net1)
"""
Net (
(hidden): Linear (1 -> 10)
(predict): Linear (10 -> 1)
)
"""
print(net2)
"""
Sequential (
(0): Linear (1 -> 10)
(1): ReLU ()
(2): Linear (10 -> 1)
)
"""
可以看到第一种方式每一层都有名字,这是因为我们用self指针给其添加了名称,将其作为了成员变量。而第二种方式比第一种多了一个ReLU层,是因为它调用的是torch.nn.ReLU()
的方式构建的,这里的relu是大写,表明它是一个类,视作一个独立的层。而第一种方法中调用的是torch.nn.functional
,它类似于python中通过def
定义的普通函数,只是执行了数学运算,不能视作独立的层。在构建个性化网络时,我们还是推荐第一种方式,第二种方式更适合用于构建一些简单的网络。