关于Class继承nn.Module和nn.Sequential的区别

每个人都是孙笑川

于 2022-03-06 09:38:03 发布

阅读量1.2k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：教程学习笔记 bug记录文章标签： pytorch 人工智能 python

本文链接：https://blog.csdn.net/qq_41488595/article/details/123305865

学习笔记同时被 3 个专栏收录

24 篇文章

订阅专栏

教程

18 篇文章

订阅专栏

bug记录

3 篇文章

订阅专栏

这篇博客探讨了在PyTorch中实现3x3卷积层的不同方法，包括直接在`nn.Sequential`中定义、在`nn.Sequential`内创建子模块以及使用`nn.Module`并重写`forward`函数。作者指出，虽然三种方式都能正常运行，但是否需要重写`forward`函数可能是它们之间的一个主要区别。内容详细展示了每种实现的代码结构。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

不是很清楚这两个有什么区别，最近写shufflenet时候试着写了一下
发现三种写法，都是可以正常运行的，在Sequential中他写了相应的forward函数，我们如果不需要重写的话，就可以只写相应的层，不去重写对应的forward函数，感觉这可能是他的一个区别？

下面的三种写法

class conv3x3(nn.Sequential):
    def __init__(self, in_channel, stride, bias=False):
        super(conv3x3, self).__init__(

            nn.Conv2d(in_channels=in_channel, out_channels=in_channel,
                      kernel_size=3, stride=stride, padding=1, groups=in_channel, bias=bias),
            nn.BatchNorm2d(in_channel)
        )

class conv3x3(nn.Sequential):
    def __init__(self, in_channel, stride, bias=False):
        super(conv3x3, self).__init__()
        self.conv3x3 = nn.Sequential(
            nn.Conv2d(in_channels=in_channel, out_channels=in_channel,
                      kernel_size=3, stride=stride, padding=1, groups=in_channel, bias=bias),
            nn.BatchNorm2d(in_channel)
        )

class conv3x3(nn.Module):
    # 3x3卷积中的输入通道和输出通道一致，且使用dw卷积，也就是group=channel，都不使用Relu，stride有两种取值，2只在每个stage的第一个block

    def __init__(self, in_channel, stride, bias=False):
        super(conv3x3, self).__init__()
        self.conv3x3 = nn.Sequential(
            nn.Conv2d(in_channels=in_channel, out_channels=in_channel,
                      kernel_size=3, stride=stride, padding=1, groups=in_channel, bias=bias),
            nn.BatchNorm2d(in_channel)
        )

    def forward(self, x):
        return self.conv3x3(x)