pytorch快速搭建神经网络_Sequential操作

之前用Class类来搭建神经网络

class Neuro_net(torch.nn.Module):
 """神经网络"""
 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类图结构：

使用torch.nn.Sequential() 快速搭建神经网络

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

Sequential图结构

总结：

我们可以发现，使用torch.nn.Sequential会自动加入激励函数, 但是 class类net 中, 激励函数实际上是在 forward() 功能中才被调用的

使用class类中的torch.nn.Module，我们可以根据自己的需求改变传播过程

如果你需要快速构建或者不需要过多的过程，直接使用torch.nn.Sequential吧

补充知识：【PyTorch神经网络】使用Moudle和Sequential搭建神经网络

Module:

init中定义每个神经层的神经元个数，和神经元层数;

forward是继承nn.Moudle中函数，来实现前向反馈（加上激励函数）

# -*- 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())

#第一种搭建方法：Module
# 其中，init中定义每个神经层的神经元个数，和神经元层数；
# forward是继承nn.Moudle中函数，来实现前向反馈（加上激励函数）
class Net(torch.nn.Module):
 def __init__(self):
   #继承__init__函数
   super(Net, self).__init__()
   #定义每层的形式
   #隐藏层线性输出feature->hidden
   self.hidden = torch.nn.Linear(1, 10)
   #输出层线性输出hidden->output
   self.predict = torch.nn.Linear(10, 1)

#实现所有层的连接关系。正向传播输入值，神经网络分析输出值
 def forward(self, x):
   #x首先在隐藏层经过激励函数的计算
   x = F.relu(self.hidden(x))
   #到输出层给出预测值
   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)

来源：https://blog.csdn.net/weixin_44912159/article/details/105052329