层和块
简单介绍
- 块：描述单个层，由多个层组成的组件或整个模型本身。使用块进行抽象的一个好处是可以将一些块组合成更大的组件，这一过程通常是递归的
简单入门
import torch
from torch import nn
from torch.nn import functional as F
# 直接定义两层 两个线性层
net = nn.Sequential(nn.Linear(20,256),nn.ReLU(),nn.Linear(256,10))
X = torch.rand(2,20)
net(X)
- 实例化nn.Sequential来构建我们的模型，层的执行顺序是作为参数进行传递的
- nn.Sequential定义一种特殊的Module，维护了一个Module组成的有序列表，两个全连接层都是Linear类的实例。
- 前向传播函数很简单：将列表中的每一个块连接在一起，将每一个块的输出作为下一个快的输入
自定义块
-
将输入数据作为其前向传播函数的参数。
-
通过前向传播函数来生成输出。请注意，输出的形状可能与输入的形状不同。例如，我们上面模型中的第一个全连接的层接收一个20维的输入，但是返回一个维度为256的输出。
-
计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。
存储和访问前向传播计算所需的参数。 -
根据需要初始化模型参数。
class MLP(nn.Module):
# 用模型参数声明层。这里，我们声明两个全连接的层
def __init__(self):
# 调用MLP的父类Module的构造函数来执行必要的初始化。
# 这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）
super().__init__()
self.hidden = nn.Linear(20, 256) # 隐藏层
self.out = nn.Linear(256, 10) # 输出层
# 定义模型的前向传播，即如何根据输入X返回所需的模型输出
def forward(self, X):
# 注意，这里我们使用ReLU的函数版本，其在nn.functional模块中定义。
return self.out(F.relu(self.hidden(X)))
-
init函数通过super操作调用父类初始化，然后实例化两个全连接层
-
块的一个主要优点是它的多功能性。 我们可以子类化块以创建层（如全连接层的类）、 整个模型（如上面的MLP类）或具有中等复杂度的各种组件。 我们在接下来的章节中充分利用了这种多功能性， 比如在处理卷积神经网络时。
顺序块
- Sequential的设计是将其他模块串接起来
- 自定义MySequential：一种将块逐个追加到列表的函数，一种前向传播函数，用于将输入按追加块的顺序传递给块组成的链条
class MySequential(nn.Module):
def __init__(self,*args):
super().__init__()
for idx,module in enumerate(args):
self._modules[str(idx)] = module
def forward(self,X):
for block in self._modules.values():
X = block(X)
return X
-
init函数将每一个模块逐个添加到有序字典_modules中，使用_modules的好处是：在模块的参数初始化过程中，系统知道在_modules字典中查找需要初始化参数的子块
-
当MySequential的前向传播函数被调用的时候，每一个添加的块都按照它们被添加的顺序执行
net = MySequential(nn.Linear(20,256),nn.ReLU(),nn.Linear(256,10))
net(X)
