直接print(dir(nn.Module))，得到如下內容：

一、模型結構與參數

1. parameters()

   • 用途：返回模塊的所有可訓練參數（如權重、偏置）。
   • 示例：

     for param in model.parameters():
         print(param.shape)
     

2. named_parameters()

   • 用途：返回帶名稱的參數迭代器，便于調試和訪問特定參數。
   • 示例：

     for name, param in model.named_parameters():
         if 'weight' in name:
             print(name, param.shape)
     

3. children()

   • 用途：返回直接子模塊的迭代器。
   • 示例：

     for child in model.children():
         print(type(child))
     

4. modules()

   • 用途：遞歸返回所有子模塊（包括自身）。
   • 示例：

     for module in model.modules():
         if isinstance(module, nn.Conv2d):
             print(module.kernel_size)
     

二、模型狀態(tài)與模式

5. train() 和 eval()

   • 用途：切換訓練/推理模式（影響Dropout、BatchNorm等層）。
   • 示例：

     model.train()  # 訓練模式
     model.eval()   # 推理模式
     

6. training

   • 用途：布爾屬性，指示當前模式（True 為訓練，False 為推理）。
   • 示例：

     print(model.training)  # 輸出：True/False
     

三、模型保存與加載

7. state_dict()

   • 用途：返回包含模型所有參數的字典（OrderedDict）。
   • 示例：

     torch.save(model.state_dict(), 'model.pth')
     

8. load_state_dict()

   • 用途：從字典加載模型參數。
   • 示例：

     model.load_state_dict(torch.load('model.pth'))
     

四、設備與數據類型

9. to()

   • 用途：將模型移動到指定設備（如GPU）或轉換數據類型。
   • 示例：

     model.to('cuda')          # 移動到GPU
     model.to(torch.float16)   # 轉換為半精度
     

10. cpu() 和 cuda()

    • 用途：快捷方法，分別將模型移動到CPU或GPU。
    • 示例：

      model.cuda()  # 等價于 model.to('cuda')
      

五、前向傳播與計算

11. forward()

    • 用途：定義模型的前向傳播邏輯（需在自定義模塊中重寫）。
    • 示例：

      class MyModel(nn.Module):
          def forward(self, x):
              return self.layer(x)
      

12. __call__()

    • 用途：調用模型實例時觸發(fā)（內部調用 forward()，支持鉤子函數）。
    • 示例：

      output = model(x)  # 等價于 output = model.forward(x)
      

六、參數初始化與優(yōu)化

13. zero_grad()

    • 用途：清空所有參數的梯度（通常在每個訓練步驟前調用）。
    • 示例：

      optimizer.zero_grad()  # 等價于 model.zero_grad()
      

14. requires_grad_()

    • 用途：設置參數是否需要梯度（用于凍結部分模型）。
    • 示例：

      for param in model.parameters():
          param.requires_grad = False  # 凍結所有參數
      

七、調試與信息

15. extra_repr()

    • 用途：自定義模塊打印信息（需在子類中重寫）。
    • 示例：

      class MyModel(nn.Module):
          def extra_repr(self):
              return f"hidden_size={self.hidden_size}"
      

16. dump_patches()

    • 用途：打印模型的補丁信息（用于調試版本差異）。

八、其他實用方法

17. apply()

    • 用途：遞歸應用函數到所有子模塊（如初始化權重）。
    • 示例：

      def init_weights(m):
          if isinstance(m, nn.Conv2d):
              nn.init.kaiming_normal_(m.weight)
      model.apply(init_weights)
      

18. register_forward_hook()

    • 用途：注冊前向傳播鉤子（用于捕獲中間輸出，調試或特征提?。?。

總結

日常使用中，最頻繁的方法包括：

• 模型構建：parameters(), children(), modules()
• 訓練與推理：train(), eval(), zero_grad(), forward()
• 保存與加載：state_dict(), load_state_dict()
• 設備管理：to(), cuda(), cpu()

其他方法根據具體需求選擇使用，例如鉤子函數用于高級調試，apply() 用于統(tǒng)一初始化。

與nn.Sequential對比：

1. 繼承關系與基礎屬性

• nn.Module

  • 是所有神經網絡模塊的基類，提供最基礎的功能（如參數管理、鉤子機制）。
  • 包含核心屬性：_parameters, _modules, _buffers 等。

• nn.Sequential

  • 是 nn.Module 的子類，繼承了所有基礎功能。
  • 額外添加了與順序執(zhí)行相關的屬性（如 __getitem__、append）。

2. 核心差異對比

3. 具體方法對比

3.1 公共方法（兩者都有）

# 模型參數與結構
['parameters', 'named_parameters', 'children', 'modules', 'named_children', 'named_modules']
# 模型狀態(tài)
['train', 'eval', 'training', 'zero_grad', 'requires_grad_']
# 設備與數據類型
['to', 'cpu', 'cuda', 'float', 'double', 'half', 'bfloat16']
# 保存與加載
['state_dict', 'load_state_dict']
# 鉤子機制
['register_forward_hook', 'register_backward_hook']

3.2nn.Sequential特有的方法

# 列表操作（動態(tài)修改模塊順序）
['__getitem__', '__setitem__', '__delitem__', '__len__', 'append', 'extend', 'insert', 'pop']
# 索引相關
['_get_item_by_idx']

3.3nn.Module特有的方法

# 自定義實現
['forward', 'extra_repr']
# 高級管理
['add_module', 'register_module', 'register_parameter', 'register_buffer']

4. 示例對比

4.1 創(chuàng)建模型

# nn.Module（需自定義 forward）
class CustomModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv = nn.Conv2d(3, 64, 3)
        self.relu = nn.ReLU()
    def forward(self, x):
        return self.relu(self.conv(x))
# nn.Sequential（自動按順序執(zhí)行）
seq_model = nn.Sequential(
    nn.Conv2d(3, 64, 3),
    nn.ReLU()
)

4.2 訪問子模塊

# nn.Module
custom_model.conv  # 通過屬性名訪問
# nn.Sequential
seq_model[0]       # 通過索引訪問
seq_model.append(nn.MaxPool2d(2))  # 動態(tài)添加模塊

5. 總結

建議：

• 對于簡單的順序網絡，優(yōu)先使用 nn.Sequential 以減少代碼量。
• 對于包含復雜邏輯（如殘差連接、多輸入輸出）的網絡，使用 nn.Module 自定義實現。

到此這篇關于PyTorch中nn.Module詳解的文章就介紹到這了,更多相關PyTorch nn.Module內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論