containers
包含 nn.Sequetial 按顺序包装多个网络层
nn.ModuleList 像python的list一样包装多个网络层
nn.ModuleDict 像python的dict一样包装多个网络层
nn.Sequetial 是nn.module 的容器,用于按顺序包装一组网络层
Sequential 两个特性
顺序性 各网络层之间严格按照顺序构建
自带forward() 自带的forward里,通过for 循环依次执行前向传播运算
容器 ModuleList
nn.ModuleList 是nn.module 的容器,用于包装一组网络层,以迭代方式调用网络层
append() 在ModuleList 后面添加网络层
extend() 拼接两个ModuleList
insert() 制定在ModuleList 中位置插入网络层
容器之ModuleLDict
nn.ModuleDict 是nn.module的容器,用于包装一组网络层,以索引方式调用网络层
主要方法
clear() 清空ModuleDict
items() 返回可迭代的尖嘴对(key-value pairs)
keys() 返回字典的键(key)
values() 返回字典的值(value)
pop() 返回一对键值,并从字典中删除
总结
nn.Sequential 顺序性,各网络层之间严格按顺序执行,常用于block构建
nn.ModuleList 迭代性,常用于大量重复网构建,通过for 循环实现重复构建
nn.ModuleDict 索引性,常用于可选择的网络层
# -*- coding: utf-8 -*-
import torch
import torchvision
import torch.nn as nn
from collections import OrderedDict
# ============================ Sequential
class LeNetSequential(nn.Module):
def __init__(self, classes):
super(LeNetSequential, self).__init__()
self.features = nn.Sequential( # 利用Sequential 对卷积层 和池化层进行包装
nn.Conv2d(3, 6, 5),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2),
nn.Conv2d(6, 16, 5),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2),)
self.classifier =