提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

本文内容还是基于4-pytorch前馈网络简单（分类）问题搭建这篇的相同例子，只是为了介绍另一种更加快速搭建网络的方法，看个人喜好用哪一种。
【注】：建议先看完上面链接的博客4，在来看本篇。
这里的这种搭建方法是使用**torch.nn.Sequential()**快速搭建，不用我们在继承重写net类了。

torch.nn.Sequential()快速搭建网络法

1 生成数据

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
import numpy as np

n_data = torch.ones(100,2)
x0 = torch.normal(2*n_data,1)
y0 = torch.zeros(100,1)
x1 = torch.normal(-2*n_data,1)
y1 = torch.ones(100,1)

x = torch.cat((x0,x1),0)
# 在分类问题中标签必须用一维tensor,回归中则没有这个要求
y = torch.cat((y0,y1),0).reshape(-1)
# 在分类问题中标签还需要用torch.LongTensor类型
# 将张量 y 的类型转换为 long，这是因为在 PyTorch 中，分类问题的标签通常是整数类型（long），以便与模型输出的类别概率进行比较，从而计算损失。
y = y.long()


fig = plt.figure()
plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],c=y.data.numpy())
# 给画出来的每一个点标上标签，有点难看，注了吧
# 循环遍历每个数据点，根据其对应的标签添加标签文本
for i in range(len(x)):
    plt.text(x[i][0], x[i][1], str(int(y[i].item())), fontsize=8)
plt.show()

输出：

2 快速搭建网络

## 搭建网络method1
# class Net(torch.nn.Module):
#     def __init__(self,n_features,n_hidden,n_output):
#         # 继承原来结构体的全部init属性及方法
#         super(Net,self).__init__()
#         # 线性层就是全连接层
#         self.hidden = torch.nn.Linear(n_features,n_hidden)
#         self.predict = torch.nn.Linear(n_hidden,n_output)
#         
#     def forward(self,x):
#         # 重写继承类的向前传播方法，就是在这个里面选择激活函数的
#         x = F.relu(self.hidden(x))
#         # 分类中输出层也可以不用激活函数，我们最后在对输出结果进行softmax处理
#         x = self.predict(x)
#         return x
#         
# net = Net(2,10,2)
# # 输出层定义2个输出，对输出在进行softmax处理，取出概率最大的元素的下标就是我们分类的类别；与回归有所不同
# # 有点类似机器学习里面的独热编码
# print(net)


## 快速搭建法，和前面注释掉的效果是一样的。
net = torch.nn.Sequential(
    torch.nn.Linear(2,10),
    torch.nn.ReLU(), # 这里激活函数大写了要
    torch.nn.Linear(10,2)
)
print(net)

输出：

3 训练、输出结果

optimizer = torch.optim.SGD(net.parameters(),lr=0.02)
# 分类用交叉熵损失函数
loss_func = torch.nn.CrossEntropyLoss()

# 开启matplotlib的交换模式
plt.ion()
for t in range(100):
    # 这一步其实是调用了类里面的 __call__魔术方法，又学到一个魔术方法
    out = net(x)
    loss = loss_func(out,y)
    # 梯度清零
    optimizer.zero_grad()
    # 误差反向传播，求梯度
    loss.backward()
    # 进行优化器优化
    optimizer.step()
    if t%5 == 0:
        plt.cla()
        prediction = torch.max(F.softmax(out,1),1)[1]
        pred_y = prediction.data.numpy().reshape(-1)
        target_y = y.data.numpy().reshape(-1)
        plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],c=pred_y)
        accuracy = sum(pred_y==target_y)/200
        plt.text(1.2,-4,'accuracy=%.2f' % accuracy, fontdict={'size':20,'color':'red'})
        plt.pause(0.1)
# 关闭matplotlib的交换模式
plt.ioff()
plt.show()

输出：

# 输出out经softmax处理过后才变成概率
out2probability = F.softmax(out,1)
#print(out2probability.round(decimals=2))
# 取出概率向量里面概率最大的下标就是最终的分类结果
prediction = torch.max(F.softmax(out,1),1)[1]
print(prediction)在这里插入代码片

输出：

总结

选择那种方法搭建，看个人喜好，效果完全一样。