用搭建神经网络模型

时间：2024-11-09 10:29:16

原始定义方式与 两种定义方式实例：

可以看到使用()搭建神经网络模型非常的方便，少写很多的code

import torch
import  as nn


# -------------------------方式一：传统网络定义方式--------------------------------
class Net():
    def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
        super(Net, self).__init__()

        self.linear1 = (in_dim, n_hidden_1)
        self.Relu1   = (True)
        self.linear2 = (n_hidden_1, n_hidden_2)
        self.Relu2   = (True)
        self.linear3 = (n_hidden_2, out_dim)

    def forward(self, x):

        x = self.linear1(x)
        x = self.Relu1(x)
        x = self.linear2(x)
        x = self.Relu2(x)
        x = self.linear3(x)

        return x

# -------------------------方式二：使用定义网络------------------------
class Net():
    def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
        super(Net, self).__init__()

         = (
            (in_dim, n_hidden_1),      # (18,15)
            (True),
            (n_hidden_1, n_hidden_2),  # (15,10)
            (True),
            (n_hidden_2, out_dim)      # (10,1)
             )

    def forward(self, x):
        x = (x)
        return x



# instantiation
net = Net(18, 15, 10, 1)

# create random input to model
input = (30, 18)

# output the predicted value
predict = net(input)

print(())
print(net)

是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。通俗的话说，就是根据自己的需求，把不同的函数组合成一个（小的）模块使用或者把组合的模块添加到自己的网络中。

一、第一种方式（可以配合一些条件判断语句动态添加）

  • 模板——()的一个对象.add_module(name, module)。
  • name：某层次的名字；module：需要添加的子模块，如卷积、激活函数等等。
  • 添加子模块到当前模块中。
  • 可以通过 name 属性来访问添加的子模块。
  • 输出后每一层的名字：不是采用默认的命名方式(按序号 0,1,2,3…)，而是按照name属性命名！！
import  as nn

model = ()

model.add_module("conv1", nn.Conv2d(1, 20, 5))
model.add_module('relu1', ())
model.add_module('conv2', nn.Conv2d(20, 64, 5))
model.add_module('relu2', ())

# 输出
Sequential(
  (conv1): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
  (relu1): ReLU()
  (conv2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
  (relu2): ReLU()
)

注意！！！也有add_module()对象

# 被添加的module可以通过 name 属性来获取。

import  as nn
class Model():
    def __init__(self):
        super(Model, self).__init__()
        self.add_module("conv", nn.Conv2d(10, 20, 4))
        #  = nn.Conv2d(10, 20, 4) 和上面这个增加module的方式等价
model = Model()
print() # 通过name属性访问添加的子模块
print(model)

# 输出：注意子模块的命名方式
Conv2d(10, 20, kernel_size=(4, 4), stride=(1, 1))
Model(
  (conv): Conv2d(10, 20, kernel_size=(4, 4), stride=(1, 1))
)

二、第二种方式

  • 模板——(*module)。
  • 输出的每一层的名字：采用默认的命名方式(按序号 0,1,2,3…)
import  as nn

model = (
          nn.Conv2d(1,20,5),
          (),
          nn.Conv2d(20,64,5),
          ()
        )
print(model)     

# 输出：注意命名方式
Sequential(
  (0): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
  (1): ReLU()
  (2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
  (3): ReLU()
)

三、第三种方式

  • 模板——(OrderedDict([*(name, module)]))
  • 输出后每一层的名字：不是采用默认的命名方式(按序号 0,1,2,3…)，而是按照name属性命名！！
import collections
import  as nn

model = (([('conv1', nn.Conv2d(1, 20, 5)), ('relu1', ()),
                                               ('conv2', nn.Conv2d(20, 64, 5)),
                                               ('relu2', ())
                                               ]))
print(model)

# 输出：注意子模块命名方式
Sequential(
  (conv1): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
  (relu1): ReLU()
  (conv2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
  (relu2): ReLU()
)

Pytorch系列1: ()讲解_xddwz的博客-****博客_torch.

【深度学习笔记】用()搭建神经网络模型_Murphy.AI 的文章-****博客

相关文章