Pytorch 之torch.nn初探--第1关：torch.nn.Module

神经网络可以使用torch.nn包构建。它提供了几乎所有与神经网络相关的功能，例如：

• 线性图层 nn.Linear，nn.Bilinear
• 卷积层 nn.Conv1d，nn.Conv2d，nn.Conv3d，nn.ConvTranspose2d
• 非线性 nn.Sigmoid，nn.Tanh，nn.ReLU，nn.LeakyReLU
• 池化层 nn.MaxPool1d，nn.AveragePool2d
• Recurrent网络 nn.LSTM，nn.GRU
• 标准化 nn.BatchNorm2d
• Dropout nn.Dropout，nn.Dropout2d
• Embedding - nn.Embedding
• 损失函数 nn.MSELoss，nn.CrossEntropyLoss，nn.NLLLoss

这些类的实例将具有一个内置的__call__函数，可通过图层运行输入。

任务描述

本关任务：

本关要求利用nn.Linear()声明一个线性模型 l，并构建一个变量 net 由三个l序列构成。

相关知识

torch.nn.Module是所有神经网络模块的基类，用户自定义的神经网络模型同样继承自这个类。它定义了训练神经网络需要的所有基础方法，并且是可以序列化的抽象类。

torch.nn.Module模块还可以包含其他模块，允许将它们嵌套在树形结构中。

torch.nn.Module

    import torch.nn as nn
    import torch.nn.functional as F
    class Model(nn.Module):
        def __init__(self):
            super(Model, self).__init__()
            self.conv1 = nn.Conv2d(1, 20, 5)
            self.conv2 = nn.Conv2d(20, 20, 5)
        def forward(self, x):
           x = F.relu(self.conv1(x))
           return F.relu(self.conv2(x))

以这种方式分配的子模块将被注册，并且在调用.cuda（）等时也将转换它们的参数。

方法

• train(mode=True)
  将模型设置为训练状态
  这只对诸如Dropout或BatchNorm等模块有影响

• 返回值:self

• 返回类型 :Module

- eval()
将模型设置为测试状态
这只对诸如Dropout或BatchNorm等模块有影响

• float()
  将所有的参数转化为float的数据类型

• forward(*input)
  定义每次调用时执行的计算
  应该被所有的子类重写

• zero_grad()
  将所有模型参数的梯度设置为0

- modules()
返回网络中所有模块的迭代器
重复的模块只返回一次。在下面的例子中，l只会被返回一次

应用示例：

    l = nn.Linear(2, 2)
    net = nn.Sequential(l, l)
    print(l)
    print(net)
    for idx, m in enumerate(net.modules()):
        print(idx, '->', m)

输出结果：

Linear(in_features=2, out_features=2)
Sequential(
  (0): Linear(in_features=2, out_features=2)
  (1): Linear(in_features=2, out_features=2)
)
0 -> Sequential(
  (0): Linear(in_features=2, out_features=2)
  (1): Linear(in_features=2, out_features=2)
)
1 -> Linear(in_features=2, out_features=2)

具体语义说明：

torch.nn.Sequential，一个序列化的模块。模块将按照它们在构造函数中传递的顺序添加到其中。或者，也可以传入模块的有序字典。
编程要求

本关涉及的代码文件为 module.py，本次的编程任务是补全右侧代码片段中Begin至End中间的代码，具体要求如下：

声明一个`in_features=2`，`out_features=3`的线性模型 l并输出；
变量 net 由三个l 序列构成，并输出 net。
具体请参见后续测试样例。

测试说明

测试过程：

• 本关涉及的测试文件为moduleTest.py，运行用户填写后的程序判断正误。
• 测试程序将检测两个方面：是否包含特定的代码行以及程序的输出是否正确，若两个方面均正确则输出下面的预期输出，否则报错。
• 请注意输出格式及规范。
• 注意，在声明变量时请按照提示命名，否则将会报错。

以下是测试样例：

测试输入：
预期输出：

Linear(in_features=2, out_features=3)
Sequential(
  (0): Linear(in_features=2, out_features=3)
  (1): Linear(in_features=2, out_features=3)
  (2): Linear(in_features=2, out_features=3)
)

Congratulation!

真正的科学家应当是个幻想家；谁不是幻想家，谁就只能把自己称为实践家。 —— 巴尔扎克
开始你的任务吧，祝你成功！

如果你觉得这一关的内容对你有帮助，请你在下面点赞。

答案代码

import torch
import torch.nn as nn
from torch.autograd import Variable


#/********** Begin *********/
#声明一个in_features=2,out_features=3的线性模型 l并输出
l = nn.Linear(2,2)
print(l)

#变量 net 由三个l 序列构成，并输出 net
net = nn.Sequential(l,l)
print(net)
"\
Linear(in_features=2, out_features=2, bias=True)\n\
Sequential(\n\
  (0): Linear(in_features=2, out_features=2, bias=True)\n\
  (1): Linear(in_features=2, out_features=2, bias=True)\n\
)\n"
#/********** End *********/