文章目录
一、认识nn.Module
nn.Module 是 PyTorch 中的一个核心类,它是所有神经网络模块的基类。在 PyTorch 中构建模型时,通常会继承这个类来创建自定义的网络结构。nn.Module 提供了一系列用于构建神经网络的工具和方法,
具体有:
- 层注册:可以通过 add_module 方法或者在 init 方法中使用 self. =
的方式向模块中添加子模块(即层)。这些子模块可以是其他 nn.Module 的实例,如 nn.Linear、nn.Conv2d 等。 - 参数管理:nn.Module 自动跟踪所有子模块的参数(如权重和偏置),使得参数的管理和更新变得更加方便。
- 前向传播:通过定义 forward 方法来指定模型的前向传播逻辑。当模型被调用时(例如 model(input)),forward
方法会被执行,并且输入数据会按照 forward 方法中定义的方式进行处理。 - 训练模式与评估模式:nn.Module 有一个 .train() 方法用于设置模型为训练模式(启用 Dropout 等),以及一个
.eval() 方法用于设置模型为评估模式(禁用 Dropout 等)。 - 参数优化:nn.Module 可以与优化器(如 torch.optim.Adam 或
torch.optim.SGD)配合使用,优化器会利用模型的参数进行梯度下降等优化操作。
二、nn.Module的基础加1操作
进行一个非常简单的操作:对输入数据加1。
bash
import torch
from torch import nn
class Tudui(nn.Module):
def __init__(self):
#这行代码调用了父类(即nn.Module)的初始化函数。在PyTorch中,这是必要的,因为它会设置一些内部结构,使得模型可以正确地注册参数和子模块。
super().__init__()
#这是定义模型前向传播的函数。在PyTorch中,forward函数指定了如何将输入数据转换为输出数据。这个函数必须定义,因为它是模型的核心。
def forward(self,input):
output = input + 1
return output
tudui = Tudui()
x = torch.tensor(1.0)
output = tudui(x)
print(output)
运行结果:
注:这是因为将一个值为 1.0 的张量 x 传递给模型,模型将其增加 1,所以输出是 2.0。