模型容器与AlexNet构建

一、模型容器——Containers

在这里插入图片描述

nn.Sequential 是 nn.module的容器，用于按顺序包装一组网络层

在这里插入图片描述

`Sequential 容器`

nn.Sequential 是 nn.module的容器，用于按顺序包装一组网络层
• 顺序性：各网络层之间严格按照顺序构建
• 自带forward()：自带的forward里，通过for循环依次执行前向传播运算

Sequential 是 PyTorch 中的一个容器类，用于将多个模块按照顺序组合在一起形成一个模型。Sequential 容器允许我们按照顺序添加不同的层或模块，以构建神经网络模型。

使用 Sequential 容器，可以通过简单的方式定义一个模型，无需手动编写 forward() 函数。只需要按照顺序将模块添加到 Sequential 容器中，输入数据会按照添加的顺序依次经过每个模块进行计算。

下面是使用 Sequential 容器构建一个简单的神经网络模型的示例：

import torch
import torch.nn as nn# 创建一个Sequential容器，并按顺序添加模块
model = nn.Sequential(nn.Linear(in_features=100, out_features=64),  # 添加一个线性层，输入维度为100，输出维度为64nn.ReLU(),  # 添加ReLU激活函数nn.Linear(in_features=64, out_features=10),  # 添加一个线性层，输入维度为64，输出维度为10nn.Softmax(dim=1)  # 添加Softmax函数，dim=1表示按行计算Softmax
)

在上面的示例中，我们首先创建了一个 Sequential 容器 model，然后按照顺序添加了四个模块：一个线性层、一个ReLU激活函数、另一个线性层和一个Softmax函数。这样就构建了一个简单的神经网络模型。

使用 Sequential 容器可以简化模型的定义和使用，特别适用于简单的线性堆叠结构。但对于一些复杂的网络结构，可能需要使用其他的容器或自定义模型来更灵活地组织模块。

`nn.ModuleList`

nn.ModuleList 是 nn.Module 的容器，用于包装一组网络层，并以迭代方式调用这些网络层。与 nn.Sequential 不同，nn.ModuleList 可以更灵活地管理和操作网络层。

下面是 nn.ModuleList 的几个主要方法：

append(module)：在 ModuleList 的末尾添加一个网络层。
extend(module_list)：将另一个 ModuleList 中的网络层拼接到当前 ModuleList 的末尾。
insert(index, module)：在指定的位置 index 插入一个网络层。
remove(module)：从 ModuleList 中移除指定的网络层。
pop(index)：移除并返回指定位置 index 的网络层。
forward(*inputs)：重写 nn.Module 的 forward 方法，以便迭代调用 ModuleList 中的网络层。
下面是一个示例，展示如何使用 nn.ModuleList：

import torch
import torch.nn as nn
class MyModule(nn.Module):def __init__(self):super(MyModule, self).__init__()self.layers = nn.ModuleList([nn.Linear(10, 20),nn.ReLU(),nn.Linear(20, 30),nn.ReLU()])def forward(self, x):for layer in self.layers:x = layer(x)return x
model = MyModule()
input_tensor = torch.randn(32, 10)
output = model(input_tensor)

在上述示例中，我们定义了一个自定义的模型 MyModule，其中使用了 nn.ModuleList 来包装了一组网络层。在 forward 方法中，我们使用迭代方式调用了 ModuleList 中的每个网络层，将输入 x 逐层传递，并最终返回输出结果。

`nn.ModuleDict`

nn.ModuleDict是nn.Module的容器，用于包装一组网络层，并以索引方式调用网络层。下面是对主要方法的解释：

clear(): 清空ModuleDict中的所有网络层。
items(): 返回一个可迭代的键值对（key-value pairs）的视图，可以用于遍历ModuleDict中的所有网络层。
keys(): 返回一个可迭代的键（key）的视图，可以用于遍历ModuleDict中的所有键。
values(): 返回一个可迭代的值（value）的视图，可以用于遍历ModuleDict中的所有值。
pop(key): 返回指定键（key）对应的值（value），并从ModuleDict中删除该键值对。
使用nn.ModuleDict可以方便地管理和调用一组网络层，例如：

import torch
import torch.nn as nn# 定义自定义模型类 MyModule
class MyModule(nn.Module):def __init__(self):super(MyModule, self).__init__()# 使用 nn.ModuleDict 包装一组网络层self.layers = nn.ModuleDict({'linear1': nn.Linear(10, 20),  # 第一个线性层，输入维度为10，输出维度为20'relu1': nn.ReLU(),  # ReLU激活函数层'linear2': nn.Linear(20, 30),  # 第二个线性层，输入维度为20，输出维度为30'relu2': nn.ReLU()  # ReLU激活函数层})def forward(self, x):x = self.layers['linear1'](x)  # 调用第一个线性层x = self.layers['relu1'](x)  # 调用ReLU激活函数层x = self.layers['linear2'](x)  # 调用第二个线性层x = self.layers['relu2'](x)  # 调用ReLU激活函数层return x# 实例化自定义模型
model = MyModule()# 创建输入张量
input_tensor = torch.randn(32, 10)  # 创建一个大小为32x10的随机张量作为输入# 前向传播
output = model(input_tensor)  # 将输入张量传入模型进行前向传播