對于cnn前饋神經網絡如果前饋一次寫一個forward函數會有些麻煩，在此就有兩種簡化方式，ModuleList和Sequential。其中Sequential是一個特殊的module，它包含幾個子Module，前向傳播時會將輸入一層接一層的傳遞下去。ModuleList也是一個特殊的module，可以包含幾個子module，可以像用list一樣使用它，但不能直接把輸入傳給ModuleList。下面舉例說明。

目錄

一、nn.Sequential()對象

1、模型建立方式

第一種寫法：

?第二種寫法：

第三種寫法：

2、檢查以及調用模型

查看模型

根據名字或序號提取子Module對象

調用模型

二、nn.ModuleList()對象

為什么有他？

什么時候用？

和list的區別？

1. extend和append方法

2. 建立以及使用方法

3. yolo v3構建網絡

一、nn.Sequential()對象
建立nn.Sequential()對象，必須小心確保一個塊的輸出大小與下一個塊的輸入大小匹配?；旧?#xff0c;它的行為就像一個nn.Module。

?

1、模型建立方式

第一種寫法：
nn.Sequential()對象.add_module(層名，層class的實例）

1

2

3

4

net1?=?nn.Sequential()

net1.add_module('conv', nn.Conv2d(3,?3,?3))

net1.add_module('batchnorm', nn.BatchNorm2d(3))

net1.add_module('activation_layer', nn.ReLU())

?第二種寫法：
nn.Sequential(*多個層class的實例)

1

2

3

4

5

net2?=?nn.Sequential(

????????nn.Conv2d(3,?3,?3),

????????nn.BatchNorm2d(3),

????????nn.ReLU()

????????)

第三種寫法：
nn.Sequential(OrderedDict([*多個(層名，層class的實例)]))

1

2

3

4

5

6

from?collections?import?OrderedDict

net3=?nn.Sequential(OrderedDict([

??????????('conv', nn.Conv2d(3,?3,?3)),

??????????('batchnorm', nn.BatchNorm2d(3)),

??????????('activation_layer', nn.ReLU())

????????]))

?

?

2、檢查以及調用模型

查看模型
print對象即可

1

2

3

print('net1:', net1)

print('net2:', net2)

print('net3:', net3)

net1: Sequential(
(conv): Conv2d (3, 3, kernel_size=(3, 3), stride=(1, 1))
(batchnorm): BatchNorm2d(3, eps=1e-05, momentum=0.1, affine=True)
(activation_layer): ReLU()
)
net2: Sequential(
(0): Conv2d (3, 3, kernel_size=(3, 3), stride=(1, 1))
(1): BatchNorm2d(3, eps=1e-05, momentum=0.1, affine=True)
(2): ReLU()
)
net3: Sequential(
(conv): Conv2d (3, 3, kernel_size=(3, 3), stride=(1, 1))
(batchnorm): BatchNorm2d(3, eps=1e-05, momentum=0.1, affine=True)
(activation_layer): ReLU()
)

根據名字或序號提取子Module對象
1

2

# 可根據名字或序號取出子module

net1.conv, net2[0], net3.conv

(Conv2d (3, 3, kernel_size=(3, 3), stride=(1, 1)),
Conv2d (3, 3, kernel_size=(3, 3), stride=(1, 1)),
Conv2d (3, 3, kernel_size=(3, 3), stride=(1, 1)))

調用模型
可以直接網絡對象(輸入數據)，也可以使用上面的Module子對象分別傳入(input)。

1

2

3

4

5

input?=?V(t.rand(1,?3,?4,?4))

output?=?net1(input)

output?=?net2(input)

output?=?net3(input)

output?=?net3.activation_layer(net1.batchnorm(net1.conv(input)))

?

二、nn.ModuleList()對象
為什么有他？
寫一個module然后就寫foreword函數很麻煩，所以就有了這兩個。它被設計用來存儲任意數量的nn. module。

什么時候用？
如果在構造函數__init__中用到list、tuple、dict等對象時，一定要思考是否應該用ModuleList或ParameterList代替。

如果你想設計一個神經網絡的層數作為輸入傳遞。

和list的區別？
ModuleList是Module的子類，當在Module中使用它的時候，就能自動識別為子module。

當添加 nn.ModuleList 作為 nn.Module 對象的一個成員時（即當我們添加模塊到我們的網絡時），所有 nn.ModuleList 內部的 nn.Module 的 parameter 也被添加作為 我們的網絡的 parameter。

?

class MyModule(nn.Module):
def __init__(self):
super(MyModule, self).__init__()
self.linears = nn.ModuleList([nn.Linear(10, 10) for i in range(10)])

def forward(self, x):
# ModuleList can act as an iterable, or be indexed using ints
for i, l in enumerate(self.linears):
x = self.linears[i // 2](x) + l(x)
return x
1. extend和append方法
nn.moduleList定義對象后，有extend和append方法，用法和python中一樣，extend是添加另一個modulelist? append是添加另一個module

class LinearNet(nn.Module):
def __init__(self, input_size, num_layers, layers_size, output_size):
super(LinearNet, self).__init__()

self.linears = nn.ModuleList([nn.Linear(input_size, layers_size)])
self.linears.extend([nn.Linear(layers_size, layers_size) for i in range(1, self.num_layers-1)])
self.linears.append(nn.Linear(layers_size, output_size)
2. 建立以及使用方法
建立以及使用方法如下，

1

2

3

4

5

6

modellist?=?nn.ModuleList([nn.Linear(3,4), nn.ReLU(), nn.Linear(4,2)])

input?=?V(t.randn(1,?3))

for?model?in?modellist:

????input?=?model(input)

# 下面會報錯,因為modellist沒有實現forward方法

# output = modelist(input)

?

和普通list不一樣，它和torch的其他機制結合緊密，繼承了nn.Module的網絡模型class可以使用nn.ModuleList并識別其中的parameters，當然這只是個list，不會自動實現forward方法，

1

2

3

4

5

6

7

8

9

class?MyModule(nn.Module):

????def?__init__(self):

????????super(MyModule,?self).__init__()

????????self.list?=?[nn.Linear(3,?4), nn.ReLU()]

????????self.module_list?=?nn.ModuleList([nn.Conv2d(3,?3,?3), nn.ReLU()])

????def?forward(self):

????????pass

model?=?MyModule()

print(model)

MyModule(
(module_list): ModuleList(
(0): Conv2d (3, 3, kernel_size=(3, 3), stride=(1, 1))
(1): ReLU()
)
)
1

2

for?name, param?in?model.named_parameters():

????print(name, param.size())

('module_list.0.weight', torch.Size([3, 3, 3, 3]))
('module_list.0.bias', torch.Size([3]))
可見，普通list中的子module并不能被主module所識別，而ModuleList中的子module能夠被主module所識別。這意味著如果用list保存子module，將無法調整其參數，因其未加入到主module的參數中。

除ModuleList之外還有ParameterList，其是一個可以包含多個parameter的類list對象。在實際應用中，使用方式與ModuleList類似。

?

3. yolo v3構建網絡
首先module_list = nn.ModuleList()

然后?

??for index, x in enumerate(blocks[1:]):#根據不同的block 遍歷module

????????module = nn.Sequential()

? ? ? ? 然后根據cfg讀進來的數據，

? ? ? ? module.add_module("batch_norm_{0}".format(index), bn)

? ? ? ? module.add_module("conv_{0}".format(index), conv)

? ? ? ? ?等等

? ? ? ? ?module_list.append(module)

?
---------------------
作者：Snoopy_Dream
來源：CSDN
原文：https://blog.csdn.net/e01528/article/details/84397174
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

總結

以上是生活随笔為你收集整理的nn.moduleList 和Sequential由来、用法和实例 —— 写网络模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。