pytorch八:nn.Module深入分析

31 篇文章 453 订阅 ¥9.90 ¥99.00

如果想要深入理解nn.Module,研究其原理很有必要。首先来看看nn.Module基类的构造函数:

nn.Module??

  • _parameters:字典,保存用户直接设置的parameter,如self.param1=nn.Parameter(t.randn(3,3))会被检测到,在字典中加入一个key为‘param1’,value为对应的item,而self.submodel = nn.Linear(3,4)中的parameters则不会存于此。只可通过model.named_modules()查看全部参数来获得。
  • _modules:子module。通过self.submodule = nn.Linear(3,4)指定的子module会存于此。
  • _buffers:缓存。如batchnorm使用momentum机制,每次前向传播需要用到上一次前向传播的结果。
  • _training:BatchNorm与Dropout层在训练阶段和测试阶段中采取的策略不同,通过判断training的值来决定前向传播的策略。
class Net(nn.Modu
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
PyTorch中,`nn.Module`是所有神经网络模块的基类。它是一个封装了参数、计算方法以及其他网络组件的类,可以用来构建自己的神经网络模型。 每个`nn.Module`子类的构造函数中都应该调用基类的构造函数。在`__init__`方法中,我们可以定义网络中的各个层、参数和其他组件。我们也可以在`forward`方法中定义网络的前向传播过程,即输入数据经过一系列计算后得到输出结果。 `nn.Module`提供了很多实用的方法,例如`parameters`方法可以返回模型中所有可训练的参数,`to`方法可以将模型转移到指定的设备上等。 示例代码: ```python import torch import torch.nn as nn class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1) self.relu = nn.ReLU(inplace=True) self.pool = nn.MaxPool2d(kernel_size=2, stride=2) self.fc = nn.Linear(16 * 14 * 14, 10) def forward(self, x): x = self.conv1(x) x = self.relu(x) x = self.pool(x) x = x.view(x.size(0), -1) x = self.fc(x) return x model = MyModel() input = torch.randn(1, 3, 28, 28) output = model(input) ``` 这里我们定义了一个简单的卷积神经网络模型,包括了一个卷积层、一个ReLU激活函数、一个最大池化层和一个全连接层。在`forward`方法中,我们定义了输入数据的前向传播过程。我们可以通过调用`parameters`方法打印出模型中的所有参数:`print(list(model.parameters()))`。我们还可以使用`to`方法将模型转移到GPU上:`model.to(device)`。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

东城青年

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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