本篇内容介绍了“Pytorch怎么实现简单自定义网络层”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
一、不带参数的层
首先，我们构造一个没有任何参数的自定义层，要构建它，只需继承基础层类并实现前向传播功能。
import torchimport torch.nn.functional as Ffrom torch import nnclass CenteredLayer(nn.Module): def __init__(self): super().__init__() def forward(self, X): return X - X.mean()输入一些数据，验证一下网络是否能正常工作：
layer = CenteredLayer()print(layer(torch.FloatTensor([1, 2, 3, 4, 5])))输出结果如下：
tensor([-2., -1., 0., 1., 2.])
运行正常，表明网络没有问题。
现在将我们自建的网络层作为组件合并到更复杂的模型中，并输入数据进行验证：
net = nn.Sequential(nn.Linear(8, 128), CenteredLayer())Y = net(torch.rand(4, 8))print(Y.mean()) # 因为模型参数较多，输出也较多，所以这里输出Y的均值，验证模型可运行即可结果如下：
tensor(-5.5879e-09, grad_fn=<MeanBackward0>)
二、带参数的层
这里使用内置函数来创建参数，这些函数可以提供一些基本的管理功能，使用更加方便。
这里实现了一个简单的自定义的全连接层，大家可根据需要自行修改即可。
class MyLinear(nn.Module): def __init__(self, in_units, units): super().__init__() self.weight = nn.Parameter(torch.randn(in_units, units)) self.bias = nn.Parameter(torch.randn(units,)) def forward(self, X): linear = torch.matmul(X, self.weight.data) + self.bias.data return F.relu(linear)接下来实例化类并访问其模型参数：
linear = MyLinear(5, 3)print(linear.weight)结果如下：
Parameter containing:
tensor([[-0.3708, 1.2196, 1.3658],
[ 0.4914, -0.2487, -0.9602],
[ 1.8458, 0.3016, -0.3956],
[ 0.0616, -0.3942, 1.6172],
[ 0.7839, 0.6693, -0.8890]], requires_grad=True)
而后输入一些数据，查看模型输出结果：
print(linear(torch.rand(2, 5)))# 结果如下tensor([[1.2394, 0.0000, 0.0000], [1.3514, 0.0968, 0.6667]])我们还可以使用自定义层构建模型，使用方法与使用内置的全连接层相同。
net = nn.Sequential(MyLinear(64, 8), MyLinear(8, 1))print(net(torch.rand(2, 64)))# 结果如下tensor([[4.1416], [0.2567]])三、总结
我们可以通过基本层类设计自定义层。这允许我们定义灵活的新层，其行为与深度学习框架中的任何现有层不同。
在自定义层定义完成后，我们就可以在任意环境和网络架构中调用该自定义层。
层可以有局部参数，这些参数可以通过内置函数创建。
四、参考
《动手学深度学习》 — 动手学深度学习 2.0.0-beta0 documentation
https://zh-v2.d2l.ai/
附：pytorch获取网络的层数和每层的名字
#创建自己的网络import modelsmodel = models.__dict__["resnet50"](pretrained=True)for index ,(name, param) in enumerate(model.named_parameters()): print( str(index) + " " +name)结果如下：
0 conv1.weight
1 bn1.weight
2 bn1.bias
3 layer1.0.conv1.weight
4 layer1.0.bn1.weight
5 layer1.0.bn1.bias
6 layer1.0.conv2.weight
7 layer1.0.bn2.weight
8 layer1.0.bn2.bias
9 layer1.0.conv3.weight
“Pytorch怎么实现简单自定义网络层”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！
