标签：存在 顺序 tor 默认 索引 detail ack _id style
前言：类似于keras中的序贯模型，当一个模型较简单的时候，我们可以使用torch.nn.Sequential类来实现简单的顺序连接模型。这个模型也是继承自Module类的，关于这个类，后面的文章会详细介绍。
一、关于Sequential类的简介
先来看一下它的定义吧，在之前，我们首先需要明确一个特别重要的观念，那就是——torch的核心是Module类，
Module类在下面这个模块中：
D:\ProgramData\Anaconda3\envs\pytorch1.1.0\Lib\site-packages\torch\nn\modules\module.py
Sequential继承自Module，在下面这个模块里面：
D:\ProgramData\Anaconda3\envs\pytorch1.1.0\Lib\site-packages\torch\nn\modules\container.py
这样看起来，Sequential似乎是一个容器，的确，他确确实实是可以作为一个容器包装机各层，我在下一篇文章会说到，这里还是先简单看一下它的定义：
class Sequential(Module): # 继承Module def __init__(self, *args): # 重写了构造函数 def _get_item_by_idx(self, iterator, idx): def __getitem__(self, idx): def __setitem__(self, idx, module): def __delitem__(self, idx): def __len__(self): def __dir__(self): def forward(self, input): # 重写关键方法forward
这里还看一下这个所谓的container.py里面还有哪些“容器”存在：
class Container(Module): class Sequential(Module)： class ModuleList(Module)： class ModuleDict(Module): class ParameterList(Module): class ParameterDict(Module):
import torch.nn as nn model = nn.Sequential( nn.Conv2d(1,20,5), nn.ReLU(), nn.Conv2d(20,64,5), nn.ReLU() ) print(model) print(model[2]) # 通过索引获取第几个层 ‘‘‘运行结果为： Sequential( (0): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1)) (1): ReLU() (2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1)) (3): ReLU() ) Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1)) ‘‘‘
注意：这样做有一个问题，每一个层是没有名称，默认的是以0、1、2、3来命名，从上面的运行结果也可以看出。
import torch.nn as nn from collections import OrderedDict model = nn.Sequential(OrderedDict([ (‘conv1‘, nn.Conv2d(1,20,5)), (‘relu1‘, nn.ReLU()), (‘conv2‘, nn.Conv2d(20,64,5)), (‘relu2‘, nn.ReLU()) ])) print(model) print(model[2]) # 通过索引获取第几个层 ‘‘‘运行结果为： Sequential( (conv1): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1)) (relu1): ReLU() (conv2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1)) (relu2): ReLU() ) Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1)) ‘‘‘
注意：从上面的结果中可以看出，这个时候每一个层都有了自己的名称，但是此时需要注意，我并不能够通过名称直接获取层，依然只能通过索引index，即
model[2] 是正确的
model["conv2"] 是错误的
这其实是由它的定义实现的，看上面的Sequenrial类的定义可知，只支持index访问（getitem_by_index）。
import torch.nn as nn from collections import OrderedDict model = nn.Sequential() model.add_module("conv1",nn.Conv2d(1,20,5)) model.add_module(‘relu1‘, nn.ReLU()) model.add_module(‘conv2‘, nn.Conv2d(20,64,5)) model.add_module(‘relu2‘, nn.ReLU()) print(model) print(model[2]) # 通过索引获取第几个层
熟悉keras的小伙伴在这里一定特别熟悉，这不就是keras的做法嘛，的确是的，但是Sequential里面好像并没有定义
add_module()方法啊，实际上，这个方法是定义在它的父类Module里面的，Sequential继承了而已，它的定义如下：
def add_module(self, name, module):
总结：上面的3种定义顺序模型的方法是较为常见的，但是我们说了Sequential除了本身可以用来定义模型之外，它还可以包装层，把几个层包装起来像一个块一样，这在后面会说到。
原文链接：https://blog.csdn.net/qq_27825451/java/article/details/90551513
pytorch教程之nn.Sequential类详解——使用Sequential类来自定义顺序连接模型
标签：存在 顺序 tor 默认 索引 detail ack _id style
原文地址：https://www.cnblogs.com/jiangkejie/p/13050566.html
