pytorch構模組化型三種方法

1、首先導入共用的包

import torch.nn as nn
           

2、構模組化型的四種方法

2.1 第一種方法

import torch.nn as nn
#Method 1 ------------------------------------------------------------------------------
class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()#以上固定
        self.linear = nn.Linear(1, 1)  #輸入和輸出的次元都是1
    def forward(self, x):
        x=self.linear(x)
        return x
model1=LinearRegression()
print(model1)
           

LinearRegression(
  (linear): Linear(in_features=1, out_features=1, bias=True)
)
           

這種方法比較常用，早期的教程通常就是使用這種方法。

2.2 第二種方法

import torch.nn as nn
#Method2 ---------------------------------------------------------------------------------
class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression,self).__init__()
        self.dense=nn.Sequential(
            nn.Linear(1,1)
        )
    def forward(self, x):
        x=nn.Linear(x)
print("Method 2:")
model2=LinearRegression()
print(model2)
           

LinearRegression(
  (dense): Sequential(
    (0): Linear(in_features=1, out_features=1, bias=True)
  )
)
           

這種方法利用torch.nn.Sequential（）容器進行快速搭建，模型的各層被順序添加到容器中。缺點是每層的編号是預設的阿拉伯數字，不易區分

2.3 第三種方法

import torch.nn as nn
class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression,self).__init__()
        self.dense=nn.Sequential()
        self.dense.add_module("dense1",nn.Linear(1,1))
    def forward(self, x):
        x=nn.Linear(x)
        return x
model3=LinearRegression()
print(model3)

           

LinearRegression(
  (dense): Sequential(
    (dense1): Linear(in_features=1, out_features=1, bias=True)
  )
)
           

這種方法是對第二種方法的改進：通過add_module()添加每一層，并且為每一層增加了一個單獨的名字。