pytorch八：nn.Module深入分析

已于 2023-06-15 18:48:42 修改
阅读量755 收藏 2
点赞数
分类专栏： pytorch 文章标签： pytorch python 数学建模
于 2019-04-19 10:46:23 首次发布
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/qq_24946843/article/details/89394670
版权
pytorch 专栏收录该内容
31 篇文章 453 订阅 ¥9.90 ¥99.00
订阅专栏

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
了解本专栏 订阅专栏 解锁全文
东城青年
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
Pytorch损失函数nn.NLLLoss2d()用法说明
09-16
在PyTorch中，损失函数是衡量模型预测与真实标签之间差距的重要工具，nn.NLLLoss2d()是其中一种损失函数，主要用于二维数据，如图像处理任务。它全称为Negative Log Likelihood Loss（负对数似然损失），在分类问题...
用pytorch的nn.Module构造简单全链接层实例
09-18
今天小编就为大家分享一篇用pytorch的nn.Module构造简单全链接层实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
神经网络的基本框架的搭建-nn.Module
qq_55414382的博客
09-29 3414
卷积层是卷积神经网络（CNN）中的核心组件之一，它在图像处理和其他领域的深度学习任务中发挥着重要作用。卷积层通过卷积操作对输入数据进行特征提取和特征映射，具有以下几个主要作用：特征提取：卷积层通过卷积操作从输入数据中提取有用的特征。卷积操作通过滑动窗口的方式在输入数据上进行局部采样，并使用卷积核（也称为滤波器）与采样到的数据进行卷积运算。这样可以检测出输入数据中的边缘、纹理、形状等低级特征。特征映射：卷积层通过应用多个卷积核并对它们的输出进行叠加，生成多个特征映射（feature map）。
Pytorch —— nn.Module类(nn.sequential)
hxxjxw的博客
05-20 7277
nn.Module nn.Module类是所有网络结构层次的父类。 当你要实现一个自己的层的时候，必须要继承这个类。 而当我们使用一些现有的层，比如说线性层、卷积层的时候，它其实也是继承自nn.Module，只不过这个类因为使用的非常广泛 ，所以pytorch官方已经写好了 当我们自己实现类的话，必须继承自nn.Module，并且在init中完成初始化的步骤和forward中完成计算图的前向构建的过程 1、every layer is nn.Module 这些都是继承自nn.Mod..
神经网络基本框架nn.Module
最新发布
2303_79419613的博客
04-26 281
在PyTorch中，nn.Module是构建所有神经网络的基础类。几乎所有的神经网络模型都会继承这个类来构建。nn.Module提供了一系列功能和属性，使得模型构建、参数管理、模型保存和加载等操作变得更加简单和直观。
nn.Module（补充知识包括torch.nn、模块和类）
weixin_42731794的博客
03-11 929
三要素：类名、属性、方法定义一个类：然后在里面要有属性、要有行为。调用方法：类名.方法名（必要参数）
PyTorch 入坑七：模块与nn.Module学习
鲁点点的博客
09-21 1527
模型创建概述 本章开始正式整理深度学习网络相关基础知识。 模型创建分为两个部分：模型结构创建和权值初始化。 模型结构创建从粒度上讲：有层layer和网络Net 两个粒度。前者是指构成CNN的基础结构，如卷积层、池化层、BN层、激活函数层、损失函数层等；后者是指实现某一功能的网络结构如LeNet，AlexNet和ResNet等。 创建好模型后，需要对模型进行权值初始化，pytorch提供了丰富的初始化方法，Xavier，Kaiming，均匀分布，正态分布等。好的权重初始化有以下几点优点： 加速网络收敛 解更
PyTorch基础：神经网络工具箱torch.nn(nn.Module类)
weixin_42782833的博客
06-21 6288
perception.py import torch from torch import nn #首先建立一个全连接的子module，继承nn.Module class Linear(nn.Module): def __init__(self, in_dim, out_dim): super(Linear, self).__init__() #调用nn.Module的构造函数 #使用nn.Parameter来构造需要学习的参数 self.w
浅析PyTorch中nn.Module的使用
09-18
在PyTorch中，`nn.Module`是构建神经网络的核心组件。它是一个基类，用于定义自定义的神经网络模块，这些模块可以是简单的层（如卷积层、全连接层）或者是整个复杂的网络结构。`nn.Module`不仅包含网络的参数，还...
PyTorch里面的torch.nn.Parameter()详解
09-18
本文将深入探讨`torch.nn.Parameter()`的作用、使用方法以及它在构建神经网络模型时的重要性。 首先，`torch.nn.Parameter()`的主要功能是将一个普通的张量（Tensor）转化为可训练的参数。当一个张量通过`torch.nn....
对Pytorch中nn.ModuleList 和 nn.Sequential详解
09-18
在PyTorch中，`nn.ModuleList`和`nn.Sequential`是两种用于构建神经网络结构的重要工具。它们都是`nn.Module`的子类，但它们的功能和使用方式有所不同。 首先，`nn.Sequential`是一个序列化的模块集合，它允许你...
pytorch中输出模型结构的几种方式：nn.Module.modules()、nn.Module.children()、nn.Module.parameters()和其中关于复制层的探究
qq_43219379的博客
05-07 5915
pytorch中输出模型结构的几种方式：nn.Module.modules()、nn.Module.children()、nn.Module.parameters()和其中关于复制层的探究
torch.nn.Module.parameters
weixin_47156261的博客
05-12 3068
torch.nn.Module.parameters：计算模型的参数，返回一个关于模型参数的迭代器。 代码示例： 1.建立一个线性模型 2.打印参数 import torch import torch.nn as nn class mymodule(nn.Module): def __init__(self): super(mymodule,self).__init__() self.linear=nn.Linear(2,3) self.relu=nn
pytorch nn.Module类及其参数详解 state_dict和parameters
Decennie的博客
08-01 945
pytorch nn.Module类 详解Pytorch中的网络构造 pytorch中文文档 pytorch教程之nn.Module类详解——state_dict和parameters两个方法的差异性比较 import torch import torch.nn.functional as F from torch.optim import SGD class MyNet(torch.nn.Module): def __init__(self): super(MyNet, self
webpack esmodule、commonjs生成代码解析
weixin_43294560的博客
12-12 498
webpack esmodule、commonjs生成代码解析。
nn.autogrid.Function 与nn.module的区别
mdjxy63的博客
03-07 793
Function与Module的差异与应用场景Function与Module都可以对pytorch进行自定义拓展，使其满足网络的需求，但这两者还是有十分重要的不同：Function一般只定义一个操作，因为其无法保存参数，因此适用于激活函数、pooling等操作；Module是保存了参数，因此适合于定义一层，如线性层，卷积层，也适用于定义一个网络Function需要定义三个方法：__init__, ...
pytorch 基础系列（四）——nn.module
Snoopy_Dream
11-14 6210
torch.nn的核心数据结构是Module，它是一个抽象概念，既可以表示神经网络中的某个层（layer），也可以表示一个包含很多层的神经网络。无需纠结variable和tensor了，0.4版本已经将两个类彻底合并了。 在实际使用中，最常见的做法是继承nn.Module，撰写自己的网络/层。 自定义层Linear必须继承nn.Module，并且在其构造函数中需调用nn.Module的构造函数...
torch.nn.Module.eval
wzg2016的博客
10-21 1823
torch.nn.Module.eval: Sets the module in evaluation mode. This has any effect only on certain modules. See documentations of particular modules for details of their behaviors in training/evaluation ...
『PyTorch』第十五弹_torch.nn.Module的属性设置&查询
weixin_34310369的博客
03-05 530
一、背景知识 python中两个属相相关方法 result = obj.name 会调用builtin函数getattr(obj,'name')查找对应属性，如果没有name属性则调用obj.__getattr__('name')方法，再无则报错 obj.name = value 会调用builtin函数setattr(obj,'name',value)设置对应属性，如果设置了__set...
介绍pytorch中的nn.Module类
05-17
在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

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

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