【求助帖（已解决）】用PyTorch搭建MLP网络时遇到奇怪的问题

（已解决，看最后）

求助：我在测试自己搭建的通用MLP网络时，发现它与等价的参数写死的MLP网络相比效果奇差无比，不知道是哪里出了问题，请大佬们帮忙看下。

我写的通用MLP网络：

python 复制代码

class MLP(nn.Module):
    def __init__(self, feature_num, class_num, *hidden_nums):
        super().__init__()
        self.feature_num = feature_num
        self.class_num = class_num
        self.hidden_nums = hidden_nums

        input_num = feature_num
        for i, hidden_num in enumerate(hidden_nums):
            self.__dict__['fc' + str(i)] = nn.Linear(input_num, hidden_num)
            input_num = hidden_num
        self.output = nn.Linear(input_num, class_num)

    def forward(self, x):
        for i in range(len(self.hidden_nums)):
            x = F.relu(self.__dict__['fc' + str(i)](x))
        x = self.output(x)[..., 0] if self.class_num == 1 else F.sigmoid(self.output(x))
        return x

按理说这样实例化时：

python 复制代码

model = MLP(57, 2, 30, 10)

它应该与下面这个网络等价：

python 复制代码

class MLPclassification(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc0 = nn.Linear(57, 30)
        self.fc1 = nn.Linear(30, 10)
        self.output = nn.Linear(10, 2)

    def forward(self, x):
        x = F.relu(self.fc0(x))
        x = F.relu(self.fc1(x))
        x = F.sigmoid(self.output(x))
        return x

但当我用model = MLP(57, 2, 30, 10)训练网络时，在二分类问题中，它把所有数据都预测成了类别0：

而用 model = MLPclassification()训练网络时，预测的效果很好：

我检查了半天，不知道是哪里出了问题，有没有大佬懂的，帮忙看下，十分感谢！

解决了！我检查了nn.Module的__setattr__()方法（向对象的name属性赋值、即定义实例变量时自动调用的方法），发现__setattr__()会将Module类型的变量移到_modules属性下面：

所以批量定义全连接层时不能直接向__dict__属性赋值，这样会绕过__setattr__()方法的类型检查，导致最后优化器无法通过model.parameters()获取并更新隐藏层的权重。所以应该在__dict__['_modules']属性中批量定义全连接层，就能解决这个问题了。更新后的通用MLP网络代码如下：

python 复制代码

class MLP(nn.Module):
    def __init__(self, feature_num, class_num, *hidden_nums):
        super().__init__()
        self.feature_num = feature_num
        self.class_num = class_num
        self.hidden_nums = hidden_nums

        input_num = feature_num
        for i, hidden_num in enumerate(hidden_nums):
            self.__dict__['_modules']['fc' + str(i)] = nn.Linear(input_num, hidden_num)
            input_num = hidden_num
        self.output = nn.Linear(input_num, class_num)

    def forward(self, x):
        for i in range(len(self.hidden_nums)):
            x = F.relu(self.__dict__['_modules']['fc' + str(i)](x))
        x = self.output(x)[..., 0] if self.class_num == 1 else F.softmax(self.output(x), dim=-1)
        return x

预测效果非常好：

感悟：看来没啥事还是不要随便动下划线开头的东西，你不知道会不会牵动到别的地方，出了问题处理起来挺麻烦的。