4-2　模型种类

PyTorch与TensorFlow/Keras一样，提供两种模型结构：Sequential model和Functional API。

Sequential model：顺序型模型使用torch.nn.Sequential函数包覆各项神经层，适用于简单的结构，执行时神经层一层接一层地执行。

Functional API：使用torch.nn.functional函数，可以设计成较复杂的模型结构，包括多个输入层或多个输出层，也允许分叉及合并。PyTorch并未正式命名为Functional API，笔者为方便学习，自行采用TensorFlow/Keras的专门术语。

4-2-1　Sequential model

下列程序代码请参考【04_09_Sequential_vs_Functional.ipynb】。

（1）torch.nn.Sequential包含各种的神经层，简洁的写法如下。

（2）可以为每一神经层命名，使用字典(OrderedDict)数据结构，设定名称及神经层种类，逐一配对。

（3）注意，上一层的输出神经元个数要等于下一层的输入神经元个数，PyTorch必须同时设定输入与输出个数，而TensorFlow/Keras在第一层设定输入与输出个数，在第二层只要设定输出个数即可，因为输入可从上一层的输出得知，这点TensorFlow/Keras就略胜一筹，不要小看这一点，进阶神经层如CNN、RNN接到Linear，要算Linear的输入个数，就要伤脑筋了。

（4）可显示模型结构如下。

执行结果如下。

4-2-2　Functional API

使用torch.nn.functional函数，可以设计成较复杂的模型结构，如包括多个输入层或输出层，也允许分叉及合并。相关函数与torch.nn几乎可以一一对照，只是torch.nn.functional函数名称均使用小写，可参阅PyTorch官网torch.nn.functional的说明 ^[10] 。

下列程序代码请参考【04_09_Sequential_vs_Functional.ipynb】后半部。

范例1.先看一个简单的范例，看看torch.nn.functional.linear的用法。

第2行：torch.nn.functional通常会被取别名为F。

第6行：torch.nn.functional下的函数必须输入张量的值，而非张量的维度。

F.linear的参数有两个：输入张量和权重，其中权重是初始值，训练过程会不断更新。

范例2.将上述顺序型模型改写为Functional API。

在第二层之后的完全连接层指定权重并不合理，因此，通常还是以nn.Linear取代F.linear。

F.relu(x)：表示relu接在x的下一层。

范例3.使用类别定义模型，这是一般Functional API定义模型的方式。

类别至少要包含两个方法(Method)：init和forward。

init函数内声明要使用的神经层对象。

forward函数内定义神经层的串连。

扁平层函数为torch.flatten(x, 1)，命名空间不是torch.nn.functional，第2、第3个参数是打扁的起讫的维度，第3个参数预设为-1，表示最后一个维度。

使用的指令如下。

model=Net()

可显示模型结构如下。

执行结果如下。

范例4.使用类别定义模型，进行手写阿拉伯数字辨识(MNIST)。

下列程序代码请参考【04_10_手写阿拉伯数字辨识_专家模式.ipynb】。

以下只说明差异的程序代码。

定义模型。

训练模型：使用CrossEntropyLoss()，模型不可加SoftMax层。

结果与顺序模型差异不大。

范例5.使用另一种损失函数—Negative Log Likelihood Loss，进行手写阿拉伯数字辨识(MNIST)，函数介绍可参阅官网说明 ^[11] 。

下列程序代码请参考【04_11_手写阿拉伯数字辨识_专家模式_NLL_LOSS.ipynb】。

以下只说明差异的程序代码。

定义模型：使用F.log_softmax取代F.softmax(第17行)，可避免损失为负值。

训练模型：使用F.nll_loss取代CrossEntropyLoss()，才可加SoftMax层(第19行)。

评分：使用F.nll_loss(output, target, reduction='sum').item()，计算多笔测试数据的损失和(第13行)。 Rcdnv8jmuvbW55hNi2PJYYz3Vg+G//e4tYkaT6fKckCcyFo5RnqPqpQCRzsMpuP6