初识pytorch：神经网络骨架nn.Module的使用

目录

• nn.Module
  • nn.Module的定义
  • nn.Module的作用
  • nn.Module的使用
    • nn.Module的基本使用方法
    • nn.Module的核心属性和方法
    • nn.Module使用时的注意事项
  • 总结部分

nn.Module

nn.Module的定义

是的，大家伙们，我们终于来到了正式定义神经网络的环节。首先我们要认识今天的内容，nn.Module（注意这里的nn是Neural network的缩写）。

nn.Module 是 PyTorch 中构建神经网络的核心基类，所有自定义网络层、模型组件或完整模型都需要继承这个类。它提供了统一的接口来管理网络参数、定义前向传播逻辑，并支持自动求导、模型保存与加载等关键功能。

在pytorch中，我们定义的所有网络模型首先就要继承nn.Module这个父类，这是后续所有功能可以正常实现的基础。

nn.Module的作用

1.参数管理
自动跟踪和管理网络中的可学习参数（权重、偏置等），无需手动定义和维护参数列表。例如，当你在 nn.Module 子类中定义 nn.Linear、nn.Conv2d 等层时，这些层的参数会被自动注册到模型的参数集合中，可通过 model.parameters() 访问。

2.前向传播标准化
要求子类必须实现 forward() 方法，统一了模型的前向计算逻辑。调用模型时（如 model(input)），会自动触发 forward() 方法，并在底层处理自动求导相关的钩子（hook）逻辑。

3.设备管理
提供 to(device) 方法，可将模型参数和缓冲区统一迁移到指定设备（如 CPU 或 GPU），简化跨设备计算流程。
注意这里的to方法可以用到tensor张量上，loss损失函数上，模型上，还有优化器上

4.模型嵌套与组合
支持在一个 nn.Module 中嵌套其他 nn.Module 实例，轻松构建复杂网络结构（如 “层→块→模型” 的层级结构）。

5.状态保存与加载
通过 state_dict() 方法获取模型参数的字典表示，通过 load_state_dict() 加载参数，方便模型的保存、加载和迁移学习。

nn.Module的使用

nn.Module的基本使用方法

使用nn.Module的步骤如下：

• 1.继承 nn.Module 类

• 2.在 init 中定义子模块（如卷积层、全连接层等）

• 3.实现 forward() 方法，定义前向传播逻辑，示例代码如下（这里定义了一个简单的全连接网络）：

import torch
import torch.nn as nn

class SimpleNet(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        # 调用父类构造函数
        super(SimpleNet, self).__init__()
        
        # 定义子模块（会自动注册参数）
        self.fc1 = nn.Linear(input_size, hidden_size)  # 全连接层1
        self.relu = nn.ReLU()                          # 激活函数
        self.fc2 = nn.Linear(hidden_size, output_size) # 全连接层2
    
    def forward(self, x):
        # 定义前向传播：输入x → fc1 → ReLU → fc2 → 输出
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 实例化模型
model = SimpleNet(input_size=784, hidden_size=256, output_size=10)
print(model)

输出的结果（模型结构）：

SimpleNet(
  (fc1): Linear(in_features=784, out_features=256, bias=True)
  (relu): ReLU()
  (fc2): Linear(in_features=256, out_features=10, bias=True)
)

nn.Module的核心属性和方法

1.常用的属性

• parameters()：返回模型所有可学习参数的迭代器（用于优化器）。
  示例：optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
• children()：返回直接子模块的迭代器（不包含嵌套子模块）。
• modules()：返回所有子模块的迭代器（包含嵌套子模块，用于遍历整个模型）。
• state_dict()：返回模型参数的字典（键为参数名，值为参数张量），用于保存模型。

2.常用的方法

• forward(x)：定义前向传播逻辑，必须在子类中实现。调用 model(x) 时自动执行。
• to(device)：将模型参数迁移到指定设备（如 model.to('cuda') 迁移到 GPU）。
• eval()：将模型切换到评估模式（禁用 Dropout、BatchNorm 等训练时的特殊行为）。
• train()：将模型切换到训练模式（启用 Dropout、BatchNorm 等）。
• load_state_dict(state_dict)：加载保存的模型参数。

nn.Module使用时的注意事项

1.不要在 forward() 中定义新模块
子模块必须在 init 中定义，否则参数无法被自动注册，导致梯度无法更新。

2.区分 eval() 和 train()
评估模型时必须调用 model.eval()，否则 Dropout 层会随机丢弃神经元，BatchNorm 会使用训练时的统计量，导致预测结果不稳定。

3.参数冻结与微调
迁移学习中，可通过 requires_grad 冻结部分参数，示例代码如下：

# 冻结前几层参数
for param in model.fc1.parameters():
    param.requires_grad = False

总结部分

nn.Module 是 PyTorch 构建神经网络的 “基石”，它通过统一的接口简化了模型定义、参数管理和训练流程。其核心优势在于：

• 自动管理参数和梯度，无需手动操作；
• 支持灵活的模型嵌套，轻松构建复杂网络；
• 提供设备迁移、状态保存等实用功能，适配各种训练场景。