Pytorch构建网络模型结构都有哪些方式

目录

前言

1.使用nn.Module基类

2.使用nn.Sequential容器

3. 使用nn.ModuleList

4. 使用nn.ModuleDict

5. 混合使用nn.Module和原生Python代码

6.表格总结

---

前言

• nn.Module：最通用、最灵活的方式，适用于几乎所有场景。
• nn.Sequential：适合简单的顺序模型，代码简洁。
• nn.ModuleList和nn.ModuleDict：适合需要动态调整层的模型，方便子模块的管理和访问。
• 混合使用原生Python代码：适合需要动态逻辑或复杂决策的网络模型。

这些方式可以根据具体项目需求进行选择，通常，nn.Module是最常用的方式，它能够满足几乎所有的模型设计需求。

1.使用nn.Module基类

这是最常用的方法之一。你可以通过继承nn.Module基类来定义自己的神经网络。nn.Module提供了神经网络层的封装以及模型参数的管理。

示例：

import torch
import torch.nn as nn

class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

model = SimpleNet()

详细步骤：

• __init__方法：在这里定义网络层。self.fc1 = nn.Linear(784, 128) 表示创建了一个输入大小为784、输出大小为128的全连接层。
• forward方法：定义了数据的前向传播方式。输入数据依次通过定义的各个层，最后得到输出。

优点：灵活，适合复杂网络。

2.使用nn.Sequential容器

如果你的模型是一个简单的顺序网络（即各层按顺序逐个执行，没有复杂的网络结构），可以使用nn.Sequential来简化代码。

示例：

import torch.nn as nn

model = nn.Sequential(
    nn.Linear(784, 128),
    nn.ReLU(),
    nn.Linear(128, 10)
)

详细步骤：

• nn.Sequential接受一系列的层作为参数，并按顺序逐个应用于输入数据。
• 各个层之间的前向传播方式自动处理，减少了手动编写forward方法的工作。

优点：简洁，适合简单的线性模型。

3. 使用nn.ModuleList

nn.ModuleList可以用来存储一个nn.Module的列表，但不会定义网络的前向传播逻辑，需要在forward方法中手动实现。

class CustomNet(nn.Module):
    def __init__(self):
        super(CustomNet, self).__init__()
        self.layers = nn.ModuleList([nn.Linear(100, 100) for i in range(5)])
        self.relu = nn.ReLU()

    def forward(self, x):
        for layer in self.layers:
            x = self.relu(layer(x))
        return x

model = CustomNet()

详细步骤：

• 使用nn.ModuleList存储多个相同或不同的层。
• 在forward方法中循环这些层，自定义前向传播逻辑。

优点：适合需要灵活定义多个子层的网络结构。

4. 使用nn.ModuleDict

nn.ModuleDict和nn.ModuleList类似，但它以字典的形式存储模块，允许通过键值对的方式来访问不同的子模块。

class CustomNet(nn.Module):
    def __init__(self):
        super(CustomNet, self).__init__()
        self.layers = nn.ModuleDict({
            'fc1': nn.Linear(784, 128),
            'fc2': nn.Linear(128, 64),
            'fc3': nn.Linear(64, 10)
        })
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.relu(self.layers['fc1'](x))
        x = self.relu(self.layers['fc2'](x))
        x = self.layers['fc3'](x)
        return x

model = CustomNet()

详细步骤：

• 使用nn.ModuleDict来存储模块，可以通过键值访问。
• 灵活构建前向传播路径，适合需要不同路径的网络结构。

优点：适合需要动态访问或选择子模块的网络。

5. 混合使用nn.Module和原生Python代码

在某些情况下，你可能需要在模型中嵌入一些动态的逻辑。此时，可以将nn.Module与原生Python控制流（如if-else、for循环等）结合使用，构建更加复杂的模型。

class DynamicNet(nn.Module):
    def __init__(self):
        super(DynamicNet, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)
        self.relu = nn.ReLU()

    def forward(self, x):
        if x.mean() > 0.5:
            x = self.fc1(x)
        else:
            x = self.fc2(x)
        return self.relu(x)

model = DynamicNet()

详细步骤：

• 在forward中使用Python原生的控制流来决定前向传播路径。
• 这种方式非常灵活，适合复杂的模型逻辑需求。

优点：灵活且强大，适合复杂模型。

6.表格总结