Pytorch中nn.Sequential（）函数创建网络的几种方法

news2024/9/24 11:33:36

1. 创作灵感

在创建大型网络的时候，如果使用nn.Sequential（）将几个有紧密联系的运算组成一个序列，可以使网络的结构更加清晰。

2.应用举例

为了记录nn.Sequential（）的用法，搭建以下测试网络：

2.1 方法一

把网络分成3个Sequential序列，分别实现：第一个是卷积序列，第二个是铺平成一维的操作，第3个包含了两个线性层。


class TestNet(nn.Module):
    def __init__(self, in_channels, mid_channels):
        super(TestNet,self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(in_channels,in_channels*2,kernel_size=3,stride=2,padding=1),
            nn.BatchNorm2d(in_channels*2),
            nn.ReLU(inplace=True),
            nn.Conv2d(in_channels*2,in_channels*4,kernel_size=3,stride=2,padding=1),
            nn.BatchNorm2d(in_channels*4),
            nn.ReLU(inplace=True)
        )
        self.flat = nn.Flatten()
        self.linaer = nn.Sequential(
            nn.Linear(49*4, 64),
            nn.Linear(64, 10),
            nn.Linear(10, 1)
        )

    def forward(self,x):
        x = self.conv(x)
        print(x.shape)
        x = self.flat(x)
        print(x.shape)
        x = self.linaer(x)
        print(x.shape)
        return x

运行结果：

从维度上判断，网络符合预期。

2.2 方法二

第二种方法，在网络结构比较复杂且重复的单元比较多，为了自动化生成网络，通常会先定义一个列表，在列表中添加网络，再使用nn.Sequential()。

使用方法二所需要的代码如下：

class TestNet2(nn.Module):
    def __init__(self, in_channels):
        super(TestNet2,self).__init__()
        layer1 = []
        layer2 = []
        layer1.append(nn.Conv2d(in_channels,in_channels*2,kernel_size=3,stride=2,padding=1))
        layer1.append(nn.BatchNorm2d(in_channels*2))
        layer1.append(nn.ReLU(inplace=True))
        layer1.append(nn.Conv2d(in_channels*2,in_channels*4,kernel_size=3,stride=2,padding=1))
        layer1.append(nn.BatchNorm2d(in_channels*4))
        layer1.append(nn.ReLU(inplace=True))
        self.conv = nn.Sequential(*layer1)
        self.flat = nn.Flatten()
        layer2.append(nn.Linear(49*4, 64))
        layer2.append(nn.Linear(64, 10))
        layer2.append(nn.Linear(10, 1))
        self.linaer = nn.Sequential(*layer2)

    def forward(self,x):
        x = self.conv(x)
        print(x.shape)
        x = self.flat(x)
        print(x.shape)
        x = self.linaer(x)
        print(x.shape)
        return x

运行结果如下：