pytorch nn.ModuleList和nn.Sequential的用法笔记

7月前作者：AI视觉网奇分类：Toy博客阅读(26) 违法举报

这篇具有很好参考价值的文章主要介绍了pytorch nn.ModuleList和nn.Sequential的用法笔记。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

有部分内容转自：

pytorch小记：nn.ModuleList和nn.Sequential的用法以及区别_慕思侣的博客-CSDN博客

但是有部分内容做了修改调整，

在构建网络的时候，pytorch有一些基础概念很重要，比如nn.Module，nn.ModuleList，nn.Sequential，这些类我们称为为容器（containers），可参考containers。本文中我们主要学习nn.ModuleList和nn.Sequential，并判断在什么时候用哪一个比较合适。

1. nn.ModuleList和nn.Sequential简介
nn.ModuleList

nn.ModuleList,它是一个存储不同module，并自动将每个module的parameters添加到网络之中的容器。你可以把任意nn.Module的子类（如nn.Conv2d，nn.Linear等）加到这个list里面，方法和python自带的list一样，无非是extend，append等操作，但不同于一般的list，加入到nn.ModuleList里面的module是会自动注册到整个网络上的，同时module的parameters也会自动添加到整个网络中。若使用python的list，则会出问题。文章来源地址https://www.toymoban.com/news/detail-641368.html

class net1(nn.Module):
    def __init__(self):

到了这里，关于pytorch nn.ModuleList和nn.Sequential的用法笔记的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

pytorch复习笔记--nn.Embedding()的用法

目录 1--nn.Embedding()的用法 2--实例展示： 3--注意的问题 nn.Embedding()产生一个权重矩阵weight，其shape为（num_embeddings, embedding_dim），表示生成num_embeddings个具有embedding_dim大小的嵌入向量；输入input的形状shape为（batch_size, Seq_len），batch_size表示样本数（NLP句子数），Seq_len表示序列

2024年02月16日
浏览(24)
Pytorch学习：神经网络模块torch.nn.Module和torch.nn.Sequential

官方文档：torch.nn.Module CLASS torch.nn.Module(*args, **kwargs) 所有神经网络模块的基类。您的模型也应该对此类进行子类化。模块还可以包含其他模块，允许将它们嵌套在树结构中。您可以将子模块分配为常规属性： training（bool） -布尔值表示此模块是处于训练模式还是评估模式。

2024年02月10日
浏览(33)
Pytorch：torch.nn.Module.apply用法详解

torch.nn.Module.apply 是 PyTorch 中用于递归地应用函数到模型的所有子模块的方法。它允许对模型中的每个子模块进行操作，比如初始化权重、改变参数类型等。以下是关于 torch.nn.Module.apply 的示例： 1. 语法 Module：PyTorch 中的神经网络模块，例如 torch.nn.Module 的子类。 fn：要应用到

2024年01月15日
浏览(37)
nn.Sequential、nn.Linear、nn.ReLU()函数

nn.Sequential 是 PyTorch 中的一个容器模块，用于按照顺序组合多个神经网络层（如线性层、激活函数、池化层等）。这个容器允许你将各种层按照指定的顺序串联在一起，构建一个神经网络模型。nn.Sequential() 可以允许将整个容器视为单个模块（即相当于把多个模块封装成一个模

2024年02月07日
浏览(25)
【Pytorch】三维卷积 nn.Conv3d 用法

nn.Conv3d 是 PyTorch 中实现三维卷积操作的类。其输入和输出的维度如下：输入维度：输入张量的维度应为 (N, C_in, D, H, W) ，其中： N : 批量大小 (batch size)，即一批输入数据中包含的样本数量。 C_in : 输入通道数 (number of input channels)，即输入数据的通道数量，例如彩色图像通常

2024年02月05日
浏览(33)
pytorch中 nn.Conv2d的简单用法

参数介绍： in_channels ：卷积层输入通道数 out_channels ：卷积层输出通道数 kernel_size ：卷积层的卷积核大小 padding ：填充长度 stride ：卷积核移动的步长 dilation ：是否采用空洞卷积 groups ：是否采用分组卷积 bias ：是否添加偏置参数 padding_mode ： padding 的模式如果输入大小为：

2024年02月11日
浏览(28)
【torch.nn.Sequential】序列容器的介绍和使用

nn.Sequential是一个有序的容器，该类将按照传入构造器的顺序，依次创建相应的函数，并记录在Sequential类对象的数据结构中，同时以神经网络模块为元素的有序字典也可以作为传入参数。因此，Sequential可以看成是有多个函数运算对象，串联成的神经网络，其返回的是Module类型

2024年02月04日
浏览(33)
PyTorch学习笔记：nn.LeakyReLU——LeakyReLU激活函数

功能：逐元素对数据应用如下函数公式进行激活 LeakyReLU ( x ) = max ⁡ ( 0 , x ) + α ∗ min ⁡ ( 0 , x ) text{LeakyReLU}(x)=max(0,x)+alpha*min(0,x) LeakyReLU ( x ) = max ( 0 , x ) + α ∗ min ( 0 , x ) 或者 LeakyReLU ( x ) = { x , i f x ≥ 0 α × x , otherwise begin{aligned} text{LeakyReLU}(x)= left{ begin{matrix} x,quad

2024年02月02日
浏览(27)
PyTorch学习笔记：nn.Tanh——Tanh激活函数

功能：逐元素应用Tanh函数（双曲正切）对数据进行激活，将元素调整到区间(-1,1)内函数方程： Tanh ( x ) = tanh ( x ) = e x − e − x e x + e − x text{Tanh}(x)=text{tanh}(x)=frac{e^x-e^{-x}}{e^x+e^{-x}} Tanh ( x ) = tanh ( x ) = e x + e − x e x − e − x 注意：输入可以是任意尺寸的数据，输出尺寸

2024年01月17日
浏览(28)
Pytorch学习笔记（5）：torch.nn---网络层介绍（卷积层、池化层、线性层、激活函数层）

一、卷积层—Convolution Layers 1.1 1d / 2d / 3d卷积 1.2 卷积—nn.Conv2d() nn.Conv2d 1.3 转置卷积—nn.ConvTranspose nn.ConvTranspose2d 二、池化层—Pooling Layer （1）nn.MaxPool2d （2）nn.AvgPool2d （3）nn.MaxUnpool2d 三、线性层—Linear Layer nn.Linear 四、激活函数层—Activate Layer （1）nn.Sigmoid （

2024年01月20日
浏览(34)