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 torchimport torch.nn.functional as F #datax = 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)

以上这篇pytorch快速搭建神经网络_Sequential操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。