深圳微网站搭建爱站网络科技有限公司

Containers 包含6个模块：Module、Sequential、ModuleList、ModuleDict\ParameterList、ParameterDict

6.1 torch.nn.Module介绍

        torch.nn.Module是 PyTorch 中构建神经网络的基础类，所有的神经网络模块都应该继承这个类。它提供了一种便捷的方式来组织和管理网络中的各个组件，包括层、参数等，同时还内置了许多用于模型训练和推理的功能。

官网：torch.nn — PyTorch 1.8.1 documentation

核心功能：

（1）、网络构建：通过继承torch.nn.Module类，我们可以自定义自己的神经网络结构。在__init__方法中定义网络的各个层，在forward方法中定义数据的前向传播过程。

（2）、参数管理：torch.nn.Module会自动跟踪和管理网络中的参数（如权重和偏置）。我们可以通过parameters()方法获取网络的所有参数，方便进行优化器的配置和参数的更新。

（3）、设备转换：可以使用to()方法将模型转移到指定的设备（如 CPU 或 GPU）上，以利用不同设备的计算能力。​

（4）、状态切换：提供了train()和eval()方法来切换模型的训练和评估状态。在训练状态下，一些具有随机性的层（如 Dropout、BatchNorm）会正常工作；在评估状态下，这些层会采用确定性的行为。

6.2 torch.nn.Module常用方法

        __init__(self)：构造函数，用于初始化网络的各个层和参数。在自定义网络时，需要在该方法中调用super().__init__()来初始化父类。​

        forward(self, x)：前向传播方法，定义了数据在网络中的流动过程。当对模型进行调用时（如model(x)），实际上是调用了该方法。​

        parameters(self)：返回一个迭代器，包含网络中的所有可学习参数。​

        named_parameters(self)：返回一个迭代器，包含网络中参数的名称和对应的参数值。​

        to(self, device)：将模型转移到指定的设备上。例如，model.to('cuda')将模型转移到 GPU 上。​

        train(self, mode=True)：将模型设置为训练模式。​

        eval(self)：将模型设置为评估模式，相当于train(mode=False)。​

        save_state_dict(self, path)：保存模型的参数状态字典到指定路径。​

        load_state_dict(self, state_dict)：从参数状态字典中加载模型的参数。

6.3 程序演示

6.3.1 官网提供的例子

import torch.nn as nn
import torch.nn.functional as Fclass Model(nn.Module):   #搭建的神经网络 Model继承了 Module类（父类）def __init__(self):   #初始化函数super(Model, self).__init__()   #必须要这一步，调用父类的初始化函数self.conv1 = nn.Conv2d(1, 20, 5)self.conv2 = nn.Conv2d(20, 20, 5)def forward(self, x):   #前向传播（为输入和输出中间的处理过程），x为输入x = F.relu(self.conv1(x))   #conv为卷积，relu为非线性处理return F.relu(self.conv2(x))

注意：前向传播 forward（在所有子类中进行重写）

6.3.2 自定义Model

import torch
from torch import nn# 定义一个自定义模型类Custom_Model，继承自nn.Module
# 所有的神经网络模型都应该继承nn.Module，以利用其提供的参数管理、设备转换等功能
class Custom_Model(nn.Module):# 构造函数，用于初始化模型的层和参数def __init__(self):# 调用父类nn.Module的构造函数，确保模型能够正确初始化super().__init__()# 前向传播方法，定义数据在模型中的流动和计算过程# 当对模型实例传入输入数据时，会自动调用该方法def forward(self, input):# 定义模型的计算逻辑：输入数据加1output = input + 1# 返回计算结果return outputCustom_Model = Custom_Model()
# 创建一个张量x，值为1.0，作为模型的输入数据
x = torch.tensor(1.0)
# 将输入数据x传入模型，模型会自动调用forward方法进行计算，得到输出结果
output = Custom_Model(x)
# 打印输出结果，此时输出应为2.0（1.0 + 1）
print(output)