秋季，黑彤彤的平棼扒开绿叶往中瞧；小黑灯笼似的枣子挂谦了枝头；像紫玛瑙的葡萄一串串天挂正在葡萄架下，真诱人呀！
torch.nn.Modules 相当于是对网络某种层的封装，包括网络结构以及网络参数和一些操作
torch.nn.Module 是所有神经网络单元的基类
查看源码
初始化部分：
def __init__(self): self._backend = thnn_backend self._parameters = OrderedDict() self._buffers = OrderedDict() self._backward_hooks = OrderedDict() self._forward_hooks = OrderedDict() self._forward_pre_hooks = OrderedDict() self._state_dict_hooks = OrderedDict() self._load_state_dict_pre_hooks = OrderedDict() self._modules = OrderedDict() self.training = True
属性解释：
- _parameters：字典，保存用户直接设置的 Parameter
- _modules：子 module，即子类构造函数中的内容
- _buffers：缓存
- _backward_hooks与_forward_hooks：钩子技术，用来提取中间变量
- training：判断值来决定前向传播策略
方法定义：
def forward(self, *input): raise NotImplementedError
没有实际内容，用于被子类的 forward() 方法覆盖
且 forward 方法在 __call__ 方法中被调用：
def __call__(self, *input, **kwargs):
for hook in self._forward_pre_hooks.values():
hook(self, input)
if torch._C._get_tracing_state():
result = self._slow_forward(*input, **kwargs)
else:
result = self.forward(*input, **kwargs)
...
...
实例展示
简单搭建：
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self, n_feature, n_hidden, n_output):
super(Net, self).__init__()
self.hidden = nn.Linear(n_feature, n_hidden)
self.out = nn.Linear(n_hidden, n_output)
def forward(self, x):
x = F.relu(self.hidden(x))
x = self.out(x)
return x
Net 类继承了 torch 的 Module 和 __init__ 功能
hidden 是隐藏层线性输出
out 是输出层线性输出
打印出网络的结构：
>>> net = Net(n_feature=10, n_hidden=30, n_output=15) >>> print(net) Net( (hidden): Linear(in_features=10, out_features=30, bias=True) (out): Linear(in_features=30, out_features=15, bias=True) )
以上就是浅析PyTorch中nn.Module的使用。考研不简单，实现自己的梦想也不容易，但是！不代表不可能，坚持，忍耐，拼搏，进入清华没有问题！更多关于浅析PyTorch中nn.Module的使用请关注haodaima.com其它相关文章！
