Pytorch——用nn.Sequential搭建简单的神经网络

1.前言

Torch 中提供了很多方便的途径, 同样是神经网络, 能快则快, 我们看看如何用更简单的方式搭建同样的神经网络

2.常规方法

class NetWork(nn.Module):
    def __init__(self,n_input,n_hidden,n_output):
        super(NetWork,self).__init__()
        self.hidden = nn.Linear(n_input, n_hidden)
        self.output_for_predict = nn.Linear(n_hidden, n_output)

    def forward(self, x):
        x = F.relu(self.hidden(x))
        x = self.output_for_predict(x)
        return x
network = NetWork(n_input = 1,n_hidden = 8, n_output = 2)   #对于二分类问题n_output为2
print(network)  #打印网络结构

3.用nn.Sequential搭建

我们用 class 继承了一个 torch 中的神经网络结构, 然后对其进行了修改, 不过还有更快的方法

network_sequential = nn.Sequential(
    nn.Linear(1,8),
    nn.ReLU(),
    nn.Linear(8,1)
)
print(network_sequential) 

4.不同方法对比

我们会发现 network_sequential 相比于network多了ReLU, 在 network 中, 激活函数实际上是在 forward() 功能中才被调用的. 相比network_sequential, network 的好处就是, 你可以根据你的个人需要更加个性化你自己的前向传播过程, 比如(RNN). 不过如果你不需要七七八八的过程, 相信 network_sequential 这种形式更适合你