1. Module类概述

在PyTorch中，无论是自定义的模块与损失函数，还是完整模型，都是通过继承torch.nn.Module类来构建的。因此，要想建立较复杂的网络，我们必须使用此类。

2. 使用Module类建立模型

在实际使用中，要建立一个模型，我们需要继承torch.nn.Module类，并更新__init__与forward这两个方法。其中，forward方法定义了模型前向传播的完整过程。

通常，为了代码的简洁性，我们将需要更新参数的操作（例如卷积层、全连接层等）定义在__init__方法内。对于不需要更新参数的操作（例如池化层、激活函数等），我们直接在foward中定义。

以下为一个简单的例子：

import torch
import torchvision
import torch.nn as nn
import torch.nn.functional as F
from torchvision import transforms as T

class SimpleNet(nn.Module):
    def __init__(self,in_ch): #in_ch: 输入张量的通道数
        super(SimpleNet, self).__init__() #必须写，调用父类的构建函数
        self.conv1 = nn.Conv2d(in_ch, in_ch, kernel_size=5)  #定义卷积层1
        self.conv2 = nn.Conv2d(in_ch, in_ch, kernel_size=7) #定义卷积层2
        self.linear1 = nn.Linear(13924,2) #定义全连接层1

    def forward(self,x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1) #改变维度
        x = self.linear1(x)
        x = F.sigmoid(x) #进行Sigmoid变换，无参数
        return x
代码分析

在上面的代码中，我们构建了一个名为SimpleNet的类作为模型，并继承了nn.Module类。在类内，我们重构了__init__和forward方法。我们在__init__方法内调用了父类的构建函数，并随后定义了模型的两个卷积层和一个全连接层。在forward方法内，我们实现了模型的前向传播，并对结果进行了Sigmoid操作，最后返回了结果。

3. 使用nn.Sequential包装层

在实际应用中，我们常常将多个不同的层打包为一个更大的模块(例如ResNet中的ResBlock)，从而方便调用。为了实现这一点，我们可以使用nn.Sequential。

nn.Sequential是一个Module的序列容器。我们可以把一个模块的组成部分按顺序传入，也可以传入一个存有组成部分的OrderedDict，从而形成一个新的Module，作为我们想构建的模块。可以看到，在PyTorch中，Module的组合搭配比较灵活自由，既可以作为单个层，也可以作为模块和完整模型使用。

以下为一个使用的小例子：

import torch
import torchvision
import torch.nn as nn
import torch.nn.functional as F
from torchvision import transforms as T
from collections import OrderedDict #导入OrderedDict

class SimpleNet(nn.Module):
    def __init__(self,in_ch): #in_ch: 输入张量的通道数
        super(SimpleNet, self).__init__() #必须写，调用父类的构建函数

        #方法一，依次传入组成部分
        self.block1 = nn.Sequential( 
            nn.Conv2d(in_ch, in_ch, kernel_size=5),
            nn.BatchNorm2d(in_ch),
            nn.ReLU()
        )
        #方法二，传入一个OrderedDict
        self.block2 = nn.Sequential(OrderedDict([
                ('conv1', nn.Conv2d(in_ch, in_ch, kernel_size=7)),
                ('bn1', nn.BatchNorm2d(in_ch)),
                ('relu1', nn.ReLU())
        ]))
        self.linear1 = nn.Linear(13924,2) #定义全连接层1

    def forward(self,x):
        x = self.block1(x)
        x = self.block2(x)
        x = x.view(x.size(0), -1) #改变维度
        x = self.linear1(x)
        x = F.sigmoid(x) #进行Sigmoid变换，无参数
        return x

上面的代码使用nn.Sequential的两种实现方法，分别封装了两个含有卷积层、正则化层、和ReLU激活函数的模块。相比于直接传入层，使用OrderedDict时可以对层添加解释，但代码更繁琐，可根实际据情况灵活使用。

4. 调用模型

和使用其他类一样，我们先将定义好的模型类实例化，之后将输入矩阵传入即可。我们现在来调用刚刚定义好的SimpleNet模型:

#调用模型
model = SimpleNet(in_ch=1)
input_mat = torch.randn(4,1,128,128)
out = model(input_mat)
print(out.shape)

#输出
torch.Size([4, 2])

可以看到，模型输出是一个尺寸为(4,2)的张量。

5. 常用层

以下为torch.nn中的常用层：

#卷积层与反卷积层
nn.Conv2d()
nn.ConvTranspose2d()

#池化层
nn.MaxPool2d()

#全连接层
nn.Linear()
nn.Bilinear()

#DropOut层
nn.Dropout()

#扁平化矩阵
nn.Flatten()

在之后的博文中，会详尽介绍上述以及其他常用层的使用方法。