pytorch 中 nn.ModuleList()使用说明

nn.ModuleList() 是 PyTorch 中的一个类，用于管理神经网络模型中的子模块列表。它允许将多个子模块组织在一起，并将它们作为整个模型的一部分进行管理和操作。

在神经网络模型的开发过程中，通常需要定义和使用多个子模块，例如不同的层、块或者其他组件。nn.ModuleList() 提供了一种方便的方式来管理这些子模块，并确保它们被正确地注册为模型的一部分。

使用 nn.ModuleList() 需要进行两个步骤：

在模型的 __init__ 方法中，定义一个 nn.ModuleList 实例，并将需要管理的子模块添加到该列表中。
在模型的 forward 方法中，使用 nn.ModuleList 实例来访问和操作子模块。

import torch
import torch.nn as nn
 
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
 
        self.module_list = nn.ModuleList([
            nn.Linear(3, 4),
            nn.ReLU(),
            nn.Linear(4, 3),
        ])
 
    def forward(self, x):
        for module in self.module_list:
            x = module(x)
            print(x)
        return x
 
model = MyModel()
 
input_tensor = torch.randn(5, 3)
 
output_tensor = model(input_tensor)
 
输出：
tensor([[ 0.4509,  0.3470, -0.0216, -0.5590],
        [-0.4539,  0.3508,  0.8228, -0.2100],
        [ 0.6888,  0.1177, -0.6534, -0.8283],
        [-1.3217,  0.5313,  2.0204,  0.4374],
        [ 0.3079,  0.5607,  0.3941, -0.5886]], grad_fn=<AddmmBackward>)
 
tensor([[0.4509, 0.3470, 0.0000, 0.0000],
        [0.0000, 0.3508, 0.8228, 0.0000],
        [0.6888, 0.1177, 0.0000, 0.0000],
        [0.0000, 0.5313, 2.0204, 0.4374],
        [0.3079, 0.5607, 0.3941, 0.0000]], grad_fn=<ReluBackward0>)
 
tensor([[-0.2666,  0.0640,  0.2471],
        [-0.6055, -0.0951,  0.0608],
        [-0.2297,  0.0512,  0.3325],
        [-1.4177, -0.6686, -0.4530],
        [-0.5100, -0.0886,  0.0436]], grad_fn=<AddmmBackward>)

在示例中，定义了一个名为 MyModel 的自定义模型类。在该类的 __init__ 方法中，创建了一个 该类nn.ModuleList的实例 module_list，并添加了三个子模块：一个线性层（nn.Linear）、一个 ReLU 激活函数（nn.ReLU）和另一个线性层(这是在初始化类时一次添加的模块)，当然还可以调用module_list.append(layername)来添加子模块。这些子模块将作为整个模型的一部分。

在模型的 forward 方法中，通过迭代 module_list 中的子模块，依次将输入数据 x 传递给它们，并获取最终的输出。

通过使用 nn.ModuleList，我们可以方便地管理模型中的多个子模块，并确保它们被正确地注册为模型的一部分。这使得模型的结构清晰可见，同时也方便了模型的训练和参数优化。