### 使用 `OrderedDict` 定义神经网络 在 PyTorch 中，`OrderedDict` 是一种有序字典的数据结构，可以用来定义具有明确顺序的神经网络层。它通常与 `nn.Sequential` 结合使用，以便在网络中指定每一层的名字及其对应的模块。 以下是关于如何在 PyTorch 中使用 `OrderedDict` 的详细介绍： #### 1. 基本概念 `OrderedDict` 可以存储键值对，并保持插入时的顺序。这使得它可以很好地用于构建需要显式命名和按序执行的神经网络层[^3]。 #### 2. 示例代码 下面是一个具体的例子，展示如何利用 `OrderedDict` 和 `nn.Sequential` 来创建一个卷积神经网络 (CNN): ```python import torch.nn as nn from collections import OrderedDict model = nn.Sequential(OrderedDict([ ('conv1', nn.Conv2d(1, 10, kernel_size=5)), ('relu1', nn.ReLU()), ('pool1', nn.MaxPool2d(2)), ('conv2', nn.Conv2d(10, 20, kernel_size=5)), ('relu2', nn.ReLU()) ])) ``` 在这个例子中，我们通过 `OrderedDict` 明确指定了每一步操作的名字以及其对应的操作函数。这样做的好处是可以更清晰地查看网络架构中的各个部分。 #### 3. 访问特定层 如果想要访问某一层的具体参数或者输出结果，可以直接通过名字来获取该层的信息: ```python print(model.conv1.weight) # 或者 model['conv1'].weight ``` 这里需要注意的是，在使用 `nn.Sequential(OrderedDict)` 创建模型之后，可以通过两种方法访问其中的某个具体层：一是直接调用变量名（如上例所示），二是像列表一样索引名称字符串（即第二种写法）。 #### 4. 自定义 Forward 函数 虽然上述方式已经能够满足大部分需求，但在某些情况下可能还需要自定义前向传播过程。此时可以在继承 `nn.Module` 类的基础上重载 `forward()` 方法实现更加灵活的功能: ```python class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.features = nn.Sequential(OrderedDict([ ('conv1', nn.Conv2d(1, 10, kernel_size=5)), ('relu1', nn.ReLU()), ('pool1', nn.MaxPool2d(2)) ])) def forward(self, x): x = self.features(x) return x ``` 在此基础上还可以进一步扩展其他功能，比如加入跳跃连接等复杂机制。 --- ###