PyTorch 核心工具与模型搭建

一、2 个核心工具：明确分工，不混淆

PyTorch 搭建模型的核心，是两个功能严格区分的工具，记准用途就能少走弯路：

1. nn.Module：管理 “带参数的层”像全连接层（处理线性变换）、卷积层（提取特征）这类需要 “权重、偏置” 的核心组件，都靠它实现。它会自动帮我们管理这些参数，不用手动定义或存储 —— 比如要建一个全连接层，只需告诉它输入、输出的特征数量，参数的初始化、更新都由它搞定。
2. nn.functional：处理 “无参数的操作”激活函数（给模型加入非线性，让它能学复杂规律）、池化层（压缩数据规模，减少计算量）这类不需要参数的步骤，直接用它调用即可。它更像 “工具函数”，输入数据就能输出处理结果，不用额外配置。

二、3 种基础模型搭建方法：按需选，效率高

1. nn.Sequential：纯顺序层，快速搭

如果模型的层是 “按顺序排列” 的（比如 “展平图像→全连接层→批量归一化→激活→输出”），用这种方法最省事。它就像 “按顺序叠积木”：把要用到的层依次罗列，PyTorch 会自动让数据从第一层流到最后一层，不用额外设计数据路径，适合结构简单的模型。

2. 继承 nn.Module：自定义流程，灵活强

如果模型需要 “个性化流程”（比如某一步要先激活再做其他处理），就用这种方法。核心分两步：第一步 “初始化层”—— 在专用函数里定义好所有要用到的层（展平层、全连接层、归一化层等）；第二步 “定义前向传播”—— 明确数据要经过哪些层、按什么顺序走，完全自主控制，能应对大多数基础场景。

3. Module + 模型容器：兼顾灵活与整洁

如果模型有 “重复子模块”（比如多个 “全连接层 + 批量归一化” 的组合），可以用 nn.Sequential 把这些子模块 “打包”，再结合继承 nn.Module 的方式搭建。这种方法既保留了 “自定义流程” 的灵活性，又能让代码更规整 —— 比如把 “全连接层 + 归一化” 打包成一个子模块，后续调用时直接用子模块名称，不用重复写层的定义，清晰又高效。

三、关键提醒：新手入门别踩坑

1. 工具别用混：带参数的层（如全连接层）用 nn.Module，无参数的操作（如 ReLU 激活）用 nn.functional，避免参数管理混乱；
2. 流程要清晰：不管用哪种方法搭模型，都要明确 “数据从输入到输出的路径”，比如展平层要放在线性层之前，确保数据格式匹配；
3. 组件要对应：批量归一化、激活函数等组件，要和对应的层搭配使用（如全连接层后接批量归一化，再接激活），符合模型训练的基础逻辑。