Pytorch 之torch.nn初探 torch.nn.Module与线性--Linear layers

初探 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Dro