深度神经网络中的 ModulesList：PyTorch 入门指南
各位老铁们，今天咱们就来聊聊啥是 ModulesList，以及如何在 PyTorch 中使用它搭建深度神经网络。
啥是 ModulesList？
ModulesList 是 PyTorch 中的一种容器，专门用来存储深度神经网络中的子模块。它和 Python 中的 list 很像，但是有一些不同的特点：
1. 有序性： ModulesList 中的子模块是有序的，这个顺序可以通过索引访问。
2. 类型检查： ModulesList 中的子模块必须都是 nn.Module 的子类。
3. 动态性： 可以随时向 ModulesList 中添加或删除子模块。
搭建深度神经网络中的 ModulesList
要在深度神经网络中使用 ModulesList，需要遵循以下步骤：
1. 创建一个 ModulesList： 使用 nn.ModuleList() 创建一个 ModulesList 对象。
2. 添加子模块： 使用 add_module() 方法将子模块添加到 ModulesList 中，并指定一个名称。
3. 访问子模块： 可以使用索引或名称来访问 ModulesList 中的子模块。
4. 遍历子模块： 可以使用 modules() 方法遍历 ModulesList 中的所有子模块，或使用 named_modules() 方法遍历其名称和子模块。
深度神经网络中 ModulesList 的优点
使用 ModulesList 搭建深度神经网络有以下优点：
1. 模块化： ModulesList 为神经网络提供了模块化结构，方便管理和维护。
2. 灵活性： 可以轻松地向神经网络添加或删除子模块，更改神经网络的结构。
3. 代码可读性： ModulesList 可以让代码更清晰、可读，尤其是对于复杂的神经网络。
使用 ModulesList 的示例
下面是一个使用 ModulesList 搭建两层全连接神经网络的示例：
python
import torch
import torch.nn as nn
class MyNet(nn.Module):
def __init__(self):
super(MyNet, self).__init__()
self.fc1 = nn.Linear(100, 50)
self.fc2 = nn.Linear(50, 10)
self.modules_list = nn.ModuleList([self.fc1, self.fc2])
def forward(self, x):
x = self.modules_list[0](x) 使用索引访问子模块
x = self.modules_list[1](x) 使用索引访问子模块
return x
常见问题
ModulesList 和 nn.Sequential 有啥区别？
ModulesList 和 nn.Sequential 都可以用来堆叠神经网络层，但它们有以下区别：
1. 顺序与非顺序： nn.Sequential 中的层是按序堆叠的，而 ModulesList 中的层可以按需添加或删除。
2. 灵活性： ModulesList 更灵活，可以添加不同类型的子模块，而 nn.Sequential 只支持 nn.Module 子类。
如何从 ModulesList 中删除子模块？
可以使用 del 语句从 ModulesList 中删除子模块，如下所示：
python
del self.modules_list[0]
如何更改 ModulesList 中子模块的名称？
可以使用 add_module() 方法更改 ModulesList 中子模块的名称，如下所示：
python
self.modules_list.add_module("new_name", self.modules_list[0])
del self.modules_list[0]
ModulesList 中的子模块如何访问彼此的权重？
ModulesList 中的子模块无法直接访问彼此的权重。需要通过父模块来访问。
ModulesList 中的子模块如何共享权重？
ModulesList 中的子模块无法共享权重。但是，可以通过自定义子模块来实现权重共享。
各位老铁们，欢迎踊跃留言，讨论 ModulesList 的使用经验，或者提出你的疑问。让我们一起探索 PyTorch 神奇的世界！