1)# 展開，形狀變換
x = self.classifier(x)
return x
在__init__()模組中，採用sequential()對卷積層和池化層進行包裝，把sequential類屬性賦予feature，然後對三個全連線層進行sequential包裝，賦值為classifier類屬性，這就完成了模型構建的第一步。foward構建了前向傳播過程，只有三行，非常簡潔。
我們用sequential構建lenet，lenet中有乙個features，型別為sequential，sequential中有六個網路層，以序號(0)-(5)命名；還有乙個classifier，一樣是sequential。這裡存在乙個問題，這裡的網路層是沒有名字的，是通過序號索引的，如果在乙個上千層的網路中，很難採用序號去進行索引每乙個網路層。這時候可以對網路層進行命名，這就是第二種sequential的方法，對sequential輸入乙個頭有序的字典，以這種方式構建網路，**如下所示。
class
lenetsequentialorderdict
(nn.module)
:def
__init__
(self, classes)
:super
(lenetsequentialorderdict, self)
.__init__(
) self.features = nn.sequential(ordereddict())
self.classifier = nn.sequential(ordereddict())
defforward
(self, x)
: x = self.features(x)
x = x.view(x.size()[
0],-
1)x = self.classifier(x)
return x
順序性：各網路層之間嚴格按照順序構建；
自帶forward()：自帶的forward裡，通過for迴圈依次執行前向傳播運算；
)])# 列表生成式，採用for迴圈
defforward
(self, x)
:for i, linear in
enumerate
(self.linears)
: x = linear(x)
return x
net = modulelist(
)通過單步除錯，進入了nn.modulelist的init()函式當中，通過**可以發現，如果mpdules不是空的話，則會不斷進行疊加，得到linear。
可以看到，通過nn.modulelist可以簡便地建立乙個二十層的全連線網路模型。
)nn.sequential：順序性：各網路層之間嚴格按順序執行，常用於block構建；
nn.modulelist：迭代性，常用於大量重複網的構建，通過for迴圈實現重複構建；
nn.moduledict：索引性，常用於可選擇的網路層；
這句話一般出現在model類的forward函式中，具體位置一般都是在呼叫分類器之前。分類器是乙個簡單的nn.linear()結構，輸入輸出都是維度為一的值，x = x.view(x.size(0), -1) 這句話的出現就是為了將前面多維度的tensor展平成一維。
iew()函式的功能根reshape類似，用來轉換size大小。x = x.view(batchsize, -1)中batchsize指轉換後有幾行，而-1指在不告訴函式有多少列的情況下，根據原tensor資料和batchsize自動分配列數。
PyTorch 深度學習 筆記
方差 偏差 線性回歸來確定兩種或兩種以上變數間相互依賴的定量關係。線性回歸對於輸入x和輸出y有乙個對映 類似ax b 而我們是訓練a b這兩個引數。以下 使用pytorch建立乙個線性的模型來對其進行擬合，即訓練過程。def linear ex x np.random.rand 256 noise ...
深度學習 Pytorch學習筆記（一）
pytorch中需要自己定義網路模型，該模型需要封裝到乙個自定義的類中，該類只是乙個子類，其繼承的父類為torch.nn.module，可見如下樹形結構圖 module實際又是繼承了object類，關於為什麼要繼承object類有興趣的可以看這篇部落格mro演算法 也就是說，自定義的模型除了要有 i...
深度學習 Pytorch學習筆記（五）
pytorch實現卷積神經網路 執行效率相對於keras慢太多 import torch import warnings import torchvision from torchvision.datasets import mnist from torch.utils.data import da...