pytorch学习笔记 2.3 Sequential 快速搭建法

目的：

用更简单的方式去搭建同样的回归神经网络。【2.1 Regression 回归】

快速搭建：

1、回顾一下【2.1】的搭建方法，用 class 继承了一个 torch 中的神经网络结构，并对其进行了修改。

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))			# relu为一个功能
        x = self.predict(x)
        return x

net1 = Net(1, 10, 1) 

2、使用Sequential，在里面一层一层垒神经层即可。

net2 = torch.nn.Sequential(
    torch.nn.Linear(1, 10),		# 线性层
    torch.nn.ReLU(),			# ReLU函数，这个为一个class，所以在输出时候可以被显示出来
    torch.nn.Linear(10, 1)		# 线性层
)

3、对比输出：

import torch
import torch.nn.functional as F

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)

net2 = torch.nn.Sequential(
    torch.nn.Linear(1, 10),		# 线性层
    torch.nn.ReLU(),			# ReLU函数，这个为一个class，所以在输出时候可以被显示出来
    torch.nn.Linear(10, 1)		# 线性层
)

print(net1)
print(net2)

4、输出结果：

Net(
  (hidden): Linear(in_features=1, out_features=10, bias=True)
  (predict): Linear(in_features=10, out_features=1, bias=True)
)
Sequential(
  (0): Linear(in_features=1, out_features=10, bias=True)
  (1): ReLU()
  (2): Linear(in_features=10, out_features=1, bias=True)
)

Process finished with exit code 0

从输出可以看出，搭建同样的网络，使用Sequential方法更简单。