【pytorch】pytorch模型构造（含超详细python代码）

所有的module有两个比较重要的函数：init()和forward()

在init()中，首先继承父类

然后再定义别的层，比如nn.Linear(256, 10)（输入256维，输出10维）

直接使用pytorch封装的模型

import torch
from torch import nn
from torch.nn import functional as F

net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))

X = torch.rand(2, 20)
net(X)

自定义MLP

#倒入torch包
import torch
from torch import nn
from torch.nn import functional as F

#定义网络
class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.hidden = nn.Linear(20, 256)
        self.out = nn.Linear(256, 10)
    def forward(self, X):
        return self.out(F.relu(self.hidden(X)))
      
#声明网络
#输入是2*20的矩阵
X = torch.rand(2, 20)
net = MLP(X)
#输出是2*10的矩阵

一个可接受参数输入的模型

import torch
from torch import nn
from torch.nn import functional as F

class MySequential(nn.Module):
    def __init__(self, *args):
        super().__init__()
        #对所有传进来的layer，放在一个特殊的成员变量_modules中
        #_modules是一个按序的dict
        for block in args:
            self._modules[block] = block

    def forward(self, X):
        #在forward中，给定X，返回的list和插入进去的顺序是一样的
        #一层一层调用，返回X
        for block in self.__modules.values():
            X = block(X)
        return X

X = torch.rand(2, 20)
net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
net(X)

总结

1. 在init中定义好层
2. 在forward中设计好前向计算的方法