快捷導(dǎo)航

pytorch快速搭建神經(jīng)網(wǎng)絡(luò)_Sequential操作

更新時間：2020年06月17日 11:04:12 作者：troublemaker、

這篇文章主要介紹了pytorch快速搭建神經(jīng)網(wǎng)絡(luò)_Sequential操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

之前用Class類來搭建神經(jīng)網(wǎng)絡(luò)

class Neuro_net(torch.nn.Module):
  """神經(jīng)網(wǎng)絡(luò)"""
  def __init__(self, n_feature, n_hidden_layer, n_output):
    super(Neuro_net, self).__init__()
    self.hidden_layer = torch.nn.Linear(n_feature, n_hidden_layer)
    self.output_layer = torch.nn.Linear(n_hidden_layer, n_output)

  def forward(self, input):
    hidden_out = torch.relu(self.hidden_layer(input))
    out = self.output_layer(hidden_out)
    return out
  
net = Neuro_net(2, 10, 2)
print(net)

class類圖結(jié)構(gòu)：

使用torch.nn.Sequential() 快速搭建神經(jīng)網(wǎng)絡(luò)

net = torch.nn.Sequential(
  torch.nn.Linear(2, 10),
  torch.nn.ReLU(),
  torch.nn.Linear(10, 2)
)
print(net)

Sequential圖結(jié)構(gòu)

總結(jié)：

我們可以發(fā)現(xiàn)，使用torch.nn.Sequential會自動加入激勵函數(shù), 但是 class類net 中, 激勵函數(shù)實際上是在 forward() 功能中才被調(diào)用的

使用class類中的torch.nn.Module，我們可以根據(jù)自己的需求改變傳播過程

如果你需要快速構(gòu)建或者不需要過多的過程，直接使用torch.nn.Sequential吧

補充知識：【PyTorch神經(jīng)網(wǎng)絡(luò)】使用Moudle和Sequential搭建神經(jīng)網(wǎng)絡(luò)

Module:

init中定義每個神經(jīng)層的神經(jīng)元個數(shù)，和神經(jīng)元層數(shù);

forward是繼承nn.Moudle中函數(shù)，來實現(xiàn)前向反饋（加上激勵函數(shù)）

# -*- coding: utf-8 -*-
# @Time  : 2019/11/5 10:43
# @Author : Chen
# @File  : neural_network_impl.py
# @Software: PyCharm
 
import torch
import torch.nn.functional as F
 
#data
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(2) + 0.2 * torch.rand(x.size())
 
 
#第一種搭建方法：Module
# 其中，init中定義每個神經(jīng)層的神經(jīng)元個數(shù)，和神經(jīng)元層數(shù)；
# forward是繼承nn.Moudle中函數(shù)，來實現(xiàn)前向反饋（加上激勵函數(shù)）
class Net(torch.nn.Module):
  def __init__(self):
    #繼承__init__函數(shù)
    super(Net, self).__init__()
    #定義每層的形式
    #隱藏層線性輸出feature->hidden
    self.hidden = torch.nn.Linear(1, 10)
    #輸出層線性輸出hidden->output
    self.predict = torch.nn.Linear(10, 1)
 
  #實現(xiàn)所有層的連接關(guān)系。正向傳播輸入值，神經(jīng)網(wǎng)絡(luò)分析輸出值
  def forward(self, x):
    #x首先在隱藏層經(jīng)過激勵函數(shù)的計算
    x = F.relu(self.hidden(x))
    #到輸出層給出預(yù)測值
    x = self.predict(x)
    return x
 
net = Net()
print(net)
 
print('\n\n')
 
#快速搭建：Sequential
#模板：net2 = torch.nn.Sequential()
 
net2 = torch.nn.Sequential(
  torch.nn.Linear(1, 10),
  torch.nn.ReLU(),
  torch.nn.Linear(10, 1)
)
print(net2)