torch.nn.Modules 相当于是对网络某种层的封装，包括网络结构以及网络参数和一些操作

torch.nn.Module 是所有神经网络单元的基类

查看源码

初始化部分：

def __init__(self): self._backend = thnn_backend self._parameters = OrderedDict() self._buffers = OrderedDict() self._backward_hooks = OrderedDict() self._forward_hooks = OrderedDict() self._forward_pre_hooks = OrderedDict() self._state_dict_hooks = OrderedDict() self._load_state_dict_pre_hooks = OrderedDict() self._modules = OrderedDict() self.training = True

属性解释：

• _parameters：字典，保存用户直接设置的 Parameter
• _modules：子 module，即子类构造函数中的内容
• _buffers：缓存
• _backward_hooks与_forward_hooks：钩子技术，用来提取中间变量
• training：判断值来决定前向传播策略

方法定义：

def forward(self, *input): raise NotImplementedError

没有实际内容，用于被子类的 forward() 方法覆盖

且 forward 方法在 __call__ 方法中被调用：

def __call__(self, *input, **kwargs): for hook in self._forward_pre_hooks.values(): hook(self, input) if torch._C._get_tracing_state(): result = self._slow_forward(*input, **kwargs) else: result = self.forward(*input, **kwargs) ... ...

实例展示

简单搭建：

import torch.nn as nnimport torch.nn.functional as Fclass Net(nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() self.hidden = nn.Linear(n_feature, n_hidden) self.out = nn.Linear(n_hidden, n_output) def forward(self, x): x = F.relu(self.hidden(x)) x = self.out(x) return x

Net 类继承了 torch 的 Module 和 __init__ 功能

hidden 是隐藏层线性输出

out 是输出层线性输出

打印出网络的结构：

>>> net = Net(n_feature=10, n_hidden=30, n_output=15)>>> print(net)Net( (hidden): Linear(in_features=10, out_features=30, bias=True) (out): Linear(in_features=30, out_features=15, bias=True))

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。