Deep learning Pytorch中的任意形状前馈神经网络

我正在制作一个具有生成方面的脚本，我需要生成任意形状的前馈NNs。其思想是传递一个列表，其中每个层中有神经元的数量，层的数量由列表的长度决定：

shape = [784,64,64,64,10]

我试过这样的方法： shapenn=[784,64,64,10]

class Net(nn.Module):
    def __init__(self, shapenn):
        super().__init__()
        self.shapenn = shapenn
        self.fcl = [] # list with fully conected leyers 
        for i in range(len(act_funs)):
            self.fcl.append(nn.Linear(self.nnarch[i],self.nnarch[i+1]))
net = Net(shapenn)

当在列表中正确创建完全连接的层时，

fcl

，

net

没有正确初始化，例如它没有

net.parameters（）

。 我确信有一种正确的方法可以做到这一点，非常感谢您。

您需要使用内置的python列表来代替它（类似地使用python字典）。它们的行为类似于普通列表，只是它们必须仅包含子类

nn.Module

的实例，并且使用它们表示列表中包含的模块应被视为模块的子模块。比如说

将torch.nn导入为nn
类别网络（nn.模块）：
定义初始化（自）：
super（）。\uuuu init\uuuuu（）
self.fcl=nn.ModuleList（）
对于范围（5）中的i：
自整装附加（nn.线性（10,10））
net=net（）
打印（[name代表name，val在net.named_parameters（）]中）

印刷品

['fcl.0.weight', 'fcl.0.bias', 'fcl.1.weight', 'fcl.1.bias', 'fcl.2.weight', 'fcl.2.bias', 'fcl.3.weight', 'fcl.3.bias', 'fcl.4.weight', 'fcl.4.bias']

您需要使用内置的python列表（类似地使用python字典）。它们的行为类似于普通列表，只是它们必须仅包含子类

nn.Module

的实例，并且使用它们表示列表中包含的模块应被视为模块的子模块。比如说

将torch.nn导入为nn
类别网络（nn.模块）：
定义初始化（自）：
super（）。\uuuu init\uuuuu（）
self.fcl=nn.ModuleList（）
对于范围（5）中的i：
自整装附加（nn.线性（10,10））
net=net（）
打印（[name代表name，val在net.named_parameters（）]中）

印刷品

['fcl.0.weight', 'fcl.0.bias', 'fcl.1.weight', 'fcl.1.bias', 'fcl.2.weight', 'fcl.2.bias', 'fcl.3.weight', 'fcl.3.bias', 'fcl.4.weight', 'fcl.4.bias']