Pytorch学习--神经网络基本骨架--nn.Module的使用

一、头文件

torch.nn.Module

二、简单示例

import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module):
    def __init__(self) -> None:
        super().__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))

• 类定义与构造函数：
  • class Model(nn.Module): 声明一个名为Model的类，继承自torch.nn.Module。
  • init(self) -> None: 定义了构造函数__init__，用于初始化网络结构。
  • super().init() 调用父类的构造函数，确保nn.Module中的初始化逻辑被正确执行。
  • self.conv1 = nn.Conv2d(1, 20, 5) 创建了第一个卷积层。
  • self.conv2 = nn.Conv2d(20, 20, 5) 创建第二个卷积层
• 前向传播 forward：
  • def forward(self, x): 定义了前向传播函数，用于定义输入数据如何经过模型的每一层得到最终输出。
  • x = F.relu(self.conv1(x)) 将输入x通过第一个卷积层conv1，然后将结果通过ReLU激活函数。ReLU激活函数用于引入非线性，以增强模型的表达能力。
  • return F.relu(self.conv2(x)) 继续将数据传递给第二个卷积层conv2，并再次应用ReLU激活函数。

三、自己写代码尝试一下

import torch
from torch import  nn
class Mary(nn.Module):
    def __init__(self):
        super().__init__()
    def forward(self,input):
        output=input+1
        return output
tensor_Yorelee=torch.tensor(10)
Yorelee=Mary()
Yorelee_output=Yorelee(tensor_Yorelee)
print(Yorelee_output)

输出：

tensor(11)

提示：善于运用debug，可以显示出每一步到了哪里，且变量值是什么

四、__call__和forward的比较

学到这里，我会想之前学到的__call__和forward函数有什么区别呢？

• model(x) 等价于调用 call 方法，而 call 会调用 forward 并处理一些额外逻辑。
• 如果只调用 forward，会省略 call 中的附加功能，因此一般建议使用 model(x) 语法，以便自动调用 call 和 forward。

model = Model()  # 创建模型实例

# 直接调用 `__call__`，实际上是调用了 `forward` 并包含了额外的处理
output = model(x)

# 直接调用 `forward`，不会包含 `__call__` 中的额外处理
output = model.forward(x)

参考视频