层和块

深度学习模型的构建基于**层（Layer）和块（Block）**的组合，二者是模型设计的基础单元：

层（Layer）：神经网络的基本计算单元，如全连接层、卷积层、池化层等，负责实现特定的数学变换（如线性变换、特征提取）。
块（Block）：由多个层或子块组成的复合结构，用于实现复杂功能（如残差块、Inception块），是模型模块化设计的核心。

层（class）

常见层类型及其功能对比：

层类型	功能描述	适用场景
全连接层（Fully Connected Layer）	实现输入与输出之间的线性变换，适用于特征提取和分类任务。	适用于结构化数据和简单模型设计。
卷积层（Convolutional Layer）	用于提取图像特征，通过滑动窗口操作实现局部感知野。	适用于图像识别、计算机视觉任务。
池化层（Pooling Layer）	用于减少特征图尺寸，保留主要特征，防止过拟合。	适用于图像识别、计算机视觉任务。
激活函数层（Activation Function Layer）	引入非线性变换，增强模型表达能力。	适用于所有神经网络层。

块（class）

块的本质是层的有序组合，可以描述:

单个层
由多个层组成的组件
整个模型本身

使用块进行抽象的一个好处是可以将一些块组合成更大的组件，这一过程通常是递归的

通过定义代码来按需生成任意复杂度的块，我们可以通过简洁的代码实现复杂的神经网络。

如下图所示，多个层被组合成块，形成更大的模型

从编程的角度来看，块由类（class）表示。它的任何子类都必须定义一个将其输入转换为输出的前向传播函数，并且必须存储任何必需的参数。注意，有些块不需要任何参数。最后，为了计算梯度，块必须具有反向传播函数。在定义我们自己的块时，由于自动微分提供了一些后端实现，我们只需要考虑前向传播函数和必需的参数。

块的一个主要优点是它的多功能性。我们可以子类化块以创建层（如全连接层的类）、整个模型（如下面的MLP类）或具有中等复杂度的各种组件。

多层感知机`MLP`

在构造自定义块之前，我们先回顾一下多层感知机MLP的代码。

下面的代码生成一个网络，其中包含一个具有：

256个单元和ReLU激活函数的全连接隐藏层
一个具有10个隐藏单元且不带激活函数的全连接输出层。

python

import torch
from torch import nn
from torch.nn import functional as F

net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))

X = torch.rand(2, 20)
net(X)

在这个例子中，我们通过实例化nn.Sequential来构建我们的模型，层的执行顺序是作为参数传递的。

此模型骨架：

1.输入层20个特征节点
2.隐藏层1(Hidden Layer 1)
- nn.Linear(20, 256)
- 数学运算：y = Wx + b
- 参数量：20*256 + 256 = 5,376
- 功能：将20维输入扩展为256维特征空间
3.激活层（Activation Layer）
- nn.ReLU()
- 作用：引入非线性（使网络能拟合复杂函数）
4.输出层（Output Layer）
- nn.Linear(256, 10)
- 数学运算：y = Wx + b
- 参数量：256*10 + 10 = 2,570
- 功能：将256维特征映射到10个类别
- 输出维度：10（适合10分类任务）

Sequential

[ sɪˈkwenʃl ]

n.序列；顺序；

简而言之：nn.Sequential在PyTorch中表示一个块的类，它维护了一个由Module组成的有序列表。

nn.Sequential定义了一种特殊的Module，它将多个层按顺序组合在一起。
我们可以使用索引来访问Sequential的层，就像列表一样。
我们可以使用for循环来迭代Sequential的层。
我们可以使用len函数来获取Sequential的层的数量。

注意，两个全连接层都是Linear类的实例， Linear类本身就是Module的子类。
另外，到目前为止，我们一直在通过net(X)调用我们的模型来获得模型的输出。这实际上是net.call(X)的简写。
这个前向传播函数非常简单：它将列表中的每个块连接在一起，将每个块的输出作为下一个块的输入。

块的基本功能

在实现我们自定义块之前，我们简要总结一下每个块必须提供的基本功能。

每个块必须提供的基本功能:

接受参数：将输入数据作为其前向传播函数的参数
前向传播函数：通过前向传播函数来生成输出。请注意，输出的形状可能与输入的形状不同。例如，我们上面模型中的第一个全连接的层接收一个20维的输入，但是返回一个维度为256的输出。
反向传播函数：计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。
可训练参数：存储和访问前向传播计算所需的参数。
初始化参数：根据需要初始化模型参数。

自定义块

在下面的代码片段中，我们从零开始编写一个块。它包含一个多层感知机，其具有256个隐藏单元的隐藏层和一个10维输出层。

python

class MLP(nn.Module):
    # 用模型参数声明层。这里，我们声明两个全连接的层
    def __init__(self):
        # 调用MLP的父类Module的构造函数来执行必要的初始化。
        # 这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）
        super().__init__()
        self.hidden = nn.Linear(20, 256)  # 隐藏层
        self.out = nn.Linear(256, 10)  # 输出层

    # 定义模型的前向传播，即如何根据输入X返回所需的模型输出
    def forward(self, X):
        # 注意，这里我们使用ReLU的函数版本，其在nn.functional模块中定义。
        return self.out(F.relu(self.hidden(X)))

来实例化这个模型

python

net = MLP()
net(X)

顺序块`Sequential`

多个层和块的顺序连接由Sequential块处理。

nn.Sequential在PyTorch中表示一个块的类，它维护了一个由Module组成的有序列表。

Sequential的设计是为了把其他模块串起来。为了构建我们自己的简化的MySequential，我们只需要定义两个关键函数：

一种将块逐个追加到列表中的函数；
一种前向传播函数，用于将输入按追加块的顺序传递给块组成的“链条”。

下面的MySequential类提供了与默认Sequential类相同的功能。

python

class MySequential(nn.Module):
    def __init__(self, *args):
        super().__init__()
        for idx, module in enumerate(args):
            # 这里，module是Module子类的一个实例。我们把它保存在'Module'类的成员
            # 变量_modules中。_module的类型是OrderedDict
            self._modules[str(idx)] = module

    def forward(self, X):
        # OrderedDict保证了按照成员添加的顺序遍历它们
        for block in self._modules.values():
            X = block(X)
        return X

__init__函数将每个模块逐个添加到有序字典_modules中,
_modules的主要优点是：在模块的参数初始化过程中，系统知道在_modules字典中查找需要初始化参数的子块。
当MySequential的前向传播函数被调用时，每个添加的块都按照它们被添加的顺序执行

现在可以使用我们的MySequential类重新实现多层感知机。

python

net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
net(X)

Sequential类使模型构造变得简单，允许我们组合新的架构，而不必定义自己的类。然而，并不是所有的架构都是简单的顺序架构。当需要更强的灵活性时，我们需要定义自己的块。

自定义块-包含代码

一些灵活需求，如在前向传播函数中执行代码.

我们网络中的所有操作都对网络的激活值及网络的参数起作用。然而，有时我们可能希望合并既不是上一层的结果也不是可更新参数的项，我们称之为常数参数（constant parameter）。

例如，我们需要一个计算函数的层，其中：

是输入
是参数
是某个在优化过程中没有更新的指定常量。

因此我们实现了一个FixedHiddenMLP类，如下所示：

python

class FixedHiddenMLP(nn.Module):
    def __init__(self):
        super().__init__()
        # 不计算梯度的随机权重参数。因此其在训练期间保持不变
        self.rand_weight = torch.rand((20, 20), requires_grad=False)
        self.linear = nn.Linear(20, 20)

    def forward(self, X):
        X = self.linear(X)
        # 使用创建的常量参数以及relu和mm函数
        X = F.relu(torch.mm(X, self.rand_weight) + 1)
        # 复用全连接层。这相当于两个全连接层共享参数
        X = self.linear(X)
        # 控制流
        while X.abs().sum() > 1:
            X /= 2
        return X.sum()

实现了一个隐藏层，其权重（self.rand_weight）在实例化时被随机初始化，之后为常量。这个权重不是一个模型参数，因此它永远不会被反向传播更新。然后，神经网络将这个固定层的输出通过一个全连接层。

主意，在返回输出之前，模型做了一些不寻常的事情：它运行了一个while循环，在范数大于的条件下，将输出向量除以，直到它满足条件为止。最后，模型返回了X中所有项的和。注意，此操作可能不会常用于在任何实际任务中，我们只展示如何将任意代码集成到神经网络计算的流程中。

总结

层是模型的原子计算单元，块是层的组合
一个块可以由许多层组成；一个块可以由许多块组成。
块可以包含代码。
块负责大量的内部处理，包括参数初始化和反向传播。
多个层和块的顺序连接由Sequential块处理。

（注：文档部分内容可能由 AI 生成）源地址

层和块 ​

层（class） ​

块（class） ​

多层感知机MLP ​

块的基本功能 ​

自定义块 ​

顺序块Sequential ​

自定义块-包含代码 ​

总结 ​

层和块

层（class）

块（class）

多层感知机`MLP`

块的基本功能

自定义块

顺序块`Sequential`

自定义块-包含代码

总结