pytorch中的setattr和getattr:多层网络堆叠

  同一个网络模块的多层叠加是深度学习中常用的操作，如果使用nn.Sequential将这些模块叠加到一起就会显得很呆：

 self.block=nn.Sequential(
            capsule_net(),
            capsule_net(),
            capsule_net(),
            capsule_net(),
            capsule_net(),
            capsule_net(), 
        )

  对于这种方法，如果需要调整模块叠加的数量也很不方便。可以使用setattr()和getattr()实现相同的效果：

# 定义时
for i in range(layer_num):
            setattr(self, "capsule_layer" + str(i + 1), capsule_net().cuda())
self.capsule_layers = [getattr(self, "capsule_layer" + str(i + 1)) for i in range(layer_num)]
# 使用时
for capsule_layer in self.capsule_layers:
            result =capsule_layer(input)

  官方文档地址：setattr()，getattr()

setattr(object, name, value)此函数与 getattr() 两相对应。 其参数为一个对象、一个字符串和一个任意值。 字符串指定一个现有属性或者新增属性。 函数会将值赋给该属性，只要对象允许这种操作。 例如，setattr(x, ‘foobar’, 123) 等价于 x.foobar = 123。
getattr(object, name,[default])返回对象命名属性的值。name 必须是字符串。如果该字符串是对象的属性之一，则返回该属性的值。例如， getattr(x, ‘foobar’) 等同于 x.foobar。如果指定的属性不存在，且提供了 default 值，则返回它，否则触发 AttributeError。

  现在我们再看看上面用setattr()和getattr()实现的多层堆叠网络：

for i in range(layer_num):
            setattr(self, "capsule_layer" + str(i + 1), capsule_net().cuda())

  self即我们构建的模型对象，我们创建num个layer新增到self里，这个网络堆叠层的命名为"capsule_layer" + str(i + 1)。

self.capsule_layers = [getattr(self, "capsule_layer" + str(i + 1)) for i in range(layer_num)]

  这个方法可以将我们上面创建的网络堆叠层整理到一个self.capsule_layers里。