Pytorch的nn.model

nn.model是所有网络(net)层的父类，我们自己如果要实现层的话，需要继承该类。

比如：
我们自己实现一个线性层(MyLinear)

        class MyLinear(nn.Model):
                  def __init__(self, input, output):
                        super(MyLinear, self).__init__()
                        self.w = nn.Parameters(torch.randn(output, input))
                         self.b = nn.Parameters(torch.randn(output))
                  def forward(self, x):
                         x = x@self.w.t() + self.b
                          return x

对于上面个的代码，很明显，我们需要优化的参数是w和b，我们初始化的时候，没有指定需要梯度信息，这是为什么？
因为，nn.Parameters会自动加上梯度信息，也即是，我们把这梯度信息交给网络来管理，这样，在给优化器传递参数的时候，可以直接net.parameters(),就直接可以把所有的参数收集到了，如果我们自己管理的话，net.parameters()就无法收集到。特别，我们使用nn.Sequential的时候，把我们自己自定义的网络加到容器的时候，如果收集不到自己定义的网络中的梯度信息的时候，网络就没有办法优化。所以，我们自己定义网络的时候，一定要把网络中需要优化的参数交给网络去管理。

2. def forward(self, x):
           x = x@self.w.t() + self.b
           return x

这里的x是什么？
我们都知道，网络是要堆叠起来的，这里的x是上一层网络的输出

nn.Sequential是什么，为什么需要？
当我们自己手动定义一个网络的时候，举例来说，我们要处理图片，我们需要一层卷积，一层池化，再次卷积再次池化的四个操作，我们在init中定义

def __init__(self, input, output):
                  super(MyLinear, self).__init__()
                  self.conv1 = ****
                  self.pool1 = ***
                  self.conv2 = ****
                  self.pool2 = ***

我们就需要在

            def forward(self, x):
                   x = x@self.conv1
                   x = self.pool1(x)
                   x = x@self.conv2
                   x = self.pool2(x)
                   return x

试想一下，如果网络层数很多，我们就需要一一处理，很繁琐

nn.Model提供了很多类，比如激活函数，卷积操作.......比较方便，拿来就可以用

nn.Model还可以嵌套，nn.Model可以打印出每一层的信息，很方便查看各个层的权值，这样我们就可以在训练的时候查看信息，只需要调用net.named_parameters()就可以了。

nn.Model的模型的保存操作？

      net.save(net.state_dict(),"./ckpt.mdl")

保存操作

      net.load_state_dict(torch.load("./ckpt.mdl"))

读取保存的结果

最后编辑于：2019.05.23 14:50:35