动手学深度学习（Pytorch版）代码实践 -卷积神经网络-14模型构造

14模型构造

import torch
from torch import nn
from torch.nn import functional as F

#通过实例化nn.Sequential来构建我们的模型， 层的执行顺序是作为参数传递的
net1 = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256,10))
"""
nn.Sequential定义了一种特殊的Module， 即在PyTorch中表示一个块的类， 
它维护了一个由Module组成的有序列表。 
注意，两个全连接层都是Linear类的实例， Linear类本身就是Module的子类。 
另外，到目前为止，我们一直在通过net(X)调用我们的模型来获得模型的输出。 
这实际上是net.__call__(X)的简写。
 这个前向传播函数非常简单： 
 它将列表中的每个块连接在一起，将每个块的输出作为下一个块的输入。
"""
X1 = torch.rand(2,20)
print(net1(X1))

#自定义块
class MLP(nn.Module):
    # 用模型参数声明层。这里，我们声明两个全连接的层
    def __init__(self):
        # 调用MLP的父类Module的构造函数来执行必要的初始化。
        # 这样，在类实例化时也可以指定其他函数参数，例如模型参数params
        super().__init__()
        self.hidden = nn.Linear(20, 256) #隐藏层
        self.out = nn.Linear(256, 10) #输出层
    
    # 定义模型的前向传播，即如何根据输入X返回所需的模型输出
    def forward(self, X):
        # 注意，这里我们使用ReLU的函数版本，其在nn.functional模块中定义。
        return self.out(F.relu(self.hidden(X)))
X2 = torch.rand(2,20)  
net2 = MLP()
print(net2(X2))

#顺序块
class MySequential(nn.Module):
    def __init__(self, *args):
        super().__init__()
        # enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，
        # 同时列出数据和数据下标
        for idx, module in enumerate(args):
            # 这里，module是Module子类的一个实例。我们把它保存在'Module'类的成员
            # 变量_modules中。_module的类型是OrderedDict
            self._modules[str(idx)] = module
            # _modules的主要优点是：
            # 在模块的参数初始化过程中， 系统知道在_modules字典中查找需要初始化参数的子块。
            # _modules 是 PyTorch 中 nn.Module 类的一个属性，用于自动管理和存储模型的子模块。
    def forward(self, X):
        # OrderedDict保证了按照成员添加的顺序遍历它们
        for block in self._modules.values():
            X = block(X)
        return X

X3 = torch.rand(2,20)
#MySequential的用法与之前为Sequential类编写的代码相同
net3 = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
print(net3(X3))


#在前向传播函数中执行代码
class FixedHiddenMLP(nn.Module):
    def __init__(self):
        super().__init__()
        # 不计算梯度的随机权重参数。因此其在训练期间保持不变
        self.rand_weight = torch.rand((20,20), requires_grad=False)
        self.linear = nn.Linear(20, 20)

    def forward(self, X):
        X = self.linear(X)
        # 使用创建的常量参数以及relu和mm函数
        X = F.relu(torch.mm(X, self.rand_weight) + 1)
        # 复用全连接层。这相当于两个全连接层共享参数
        X = self.linear(X)
        # 控制流
        while X.abs().sum() > 1:
            X = X / 2
        return X.sum()
    
X4 = torch.rand(2,20)
net4 = FixedHiddenMLP()
print(net4(X4))

#混合搭配各种组合块
class NestMLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.net = nn.Sequential(nn.Linear(20, 64), nn.ReLU(),
                                 nn.Linear(64, 32), nn.ReLU())
        self.linear = nn.Linear(32, 16)
    
    def forward(self, X):
        return self.linear(self.net(X))

X5 = torch.rand(2,20)
net5 = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
print(net5(X5))

"""
tensor([[ 0.0843, -0.1867,  0.0457,  0.1082, -0.0236, -0.1245, -0.0184,  0.0233,
          0.1765, -0.1390],
        [ 0.0129, -0.1441,  0.1156, -0.0327,  0.0044, -0.0510,  0.0715, -0.0162,        
          0.0137, -0.1148]], grad_fn=<AddmmBackward>)
tensor([[-0.1180,  0.0799, -0.0260,  0.0529,  0.0055, -0.1481,  0.1311, -0.1334,        
          0.1224,  0.0713],
        [-0.0610,  0.0789, -0.0321,  0.0154,  0.0246, -0.1857,  0.0652, -0.0461,        
          0.1029,  0.1205]], grad_fn=<AddmmBackward>)
tensor([[-0.0571, -0.1119,  0.0851,  0.1362, -0.0945,  0.0078,  0.2157, -0.1273,        
         -0.0017,  0.1981],
        [-0.0049, -0.0103,  0.0114, -0.0101, -0.1034,  0.0204,  0.1531,  0.0481,        
          0.1361, -0.0403]], grad_fn=<AddmmBackward>)
tensor(0.3121, grad_fn=<SumBackward0>)
tensor(0.1369, grad_fn=<SumBackward0>)
"""