• Module 类是 torch.nn 模块中提供的模型结构类型 (nn.Module)，它是所有神经网络模块的基类，我们可以继承它来定义我们想要的模型；
• PyTorch模型定义应包括两个主要部分：每个部分的初始化（init）；定义数据流（forward）

基于nn.Module，我们可以通过Sequential，ModuleList和ModuleDict三种定义方法PyTorch模型。

对应模块为nn.Sequential()。

当模型的前向计算简单地串联到各层时， Sequential 模型可以用更简单的方式定义。它可以接收子模块的有序字典(OrderedDict) 或者一系列子模块作为参数逐一添加 Module 模型的前向计算是按添加的顺序逐个计算这些例子。
使用Sequential根据不同的层名，有两种方法可以定义模型：

• 直接排列

import torch.nn as nn net = nn.Sequential(         nn.Linear(784, 256),         nn.ReLU(),         nn.Linear(256, 10),          ) print(net) 

Sequential(   (0): Linear(in_features=784, out_features=256, bias=True)   (1): ReLU()   (2): Linear(in_features=256, out_features=10, bias=True) ) 

• 使用OrderedDict：

OrderedDict:是python中模块collections里面有一个子类OrderedDict，对字典对象中的元素进行排序。

Sequential(
  (fc1): Linear(in_features=784, out_features=256, bias=True)
  (relu1): ReLU()
  (fc2): Linear(in_features=256, out_features=10, bias=True)
)

ModuleList 接收一个子模块（或层，需属于nn.Module类）的列表作为输入，然后也可以类似List那样进行append和extend操作。同时，子模块或层的权重也会自动添加到网络中来。

net = nn.ModuleList([nn.Linear(784, 256), nn.ReLU()])
net.append(nn.Linear(256, 10)) # # 类似List的append操作
print(net[-1])  # 类似List的索引访问
print(net)

Linear(in_features=256, out_features=10, bias=True)
ModuleList(
  (0): Linear(in_features=784, out_features=256, bias=True)
  (1): ReLU()
  (2): Linear(in_features=256, out_features=10, bias=True)
)

注意：nn.ModuleList 并没有定义一个网络，它只是将不同的模块储存在一起。 ModuleList中元素的先后顺序并不代表其在网络中的真实位置顺序，需要经过forward函数指定各个层的先后顺序后才算完成了模型的定义。具体实现时用for循环即可完成：

class model(nn.Module):
  def __init__(self, ...):
    super().__init__()
    self.modulelist =
  def forward(self, x):
    for layer in self.modulelist:
      x = layer(x)
    return x

ModuleDict和ModuleList的作用类似，只是ModuleDict能够更方便地为神经网络的层添加名称。

net = nn.ModuleDict({ 
        
    'linear': nn.Linear(784, 256),
    'act': nn.ReLU(),
})
net['output'] = nn.Linear(256, 10) # 添加
print(net['linear']) # 访问
print(net.output)
print(net)

Linear(in_features=784, out_features=256, bias=True)
Linear(in_features=256, out_features=10, bias=True)
ModuleDict(
  (act): ReLU()
  (linear): Linear(in_features=784, out_features=256, bias=True)
  (output): Linear(in_features=256, out_features=10, bias=True)
)

这次的task3打卡我写的内容主要是针对我第五章中学到的些基础，我觉得重要的第一节内容，在群里看了大佬发言和纠错后，我用命令行来查看了Cuda支持的最高版本，在后续对第六章最后的实战训练完成后会在更新一次task3。

nvidia-smi