Python 如何在PyTorch中更改模型的结构

我想建立一个堆叠的自动编码器或递归网络。这些都是建立动态神经网络所必需的，它可以在每次迭代中改变其结构

例如，我第一次坐火车

类网络（nn.Module）：
定义初始化（自）：
超级（网络，自我）。\uuuu初始化
self.fc1=nn.线性（784500）
self.fc2=nn.线性（500784）
def前进（自身，x）：
x=F.relu（自fc1（x））
x=F.relu（自身fc2（x））
返回x

接下来，我想使用之前的fc1和fc2进行训练

类网络（nn.Module）：
定义初始化（自）：
超级（网络，自我）。\uuuu初始化
self.fc1=nn.线性（784500）
自fc3=nn.线性（500,10）
自身fc4=nn.线性（10500）
self.fc2=nn.线性（500784）
def前进（自身，x）：
x=F.relu（自fc1（x））
x=F.relu（自身fc3（x））
x=F.relu（自身fc4（x））
x=F.relu（自身fc2（x））
返回x

---

如何在单个模型中构建这些网络？

您只需在转发函数中添加一个参数，即可在您想要的两种可能性之间切换：

class Net(nn.Module):
def __init__(self):
    super(Net, self).__init__()
    self.fc1 = nn.Linear(784,500)
    self.fc3 = nn.Linear(500,10)        
    self.fc4 = nn.Linear(10,500)
    self.fc2 = nn.Linear(500,784)

def forward(self, x, n_layers=2):
    if 2 == n_layers:
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        return x
    elif 4 == n_layers:
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc3(x))
        x = F.relu(self.fc4(x))
        x = F.relu(self.fc2(x))
        return x
    else:
        raise Exception("Not implemented")

---

你能再详细一点吗？你到底想要什么？例如，动态创建新层？您可以在forward方法中使用一个简单的for循环来实现这一点，该方法将取决于输入

x

。