参考：https://blog.csdn.net/qq_27825451/article/details/90705328
pytorch里面一般是没有层的概念，层也是当成一个模型来处理的，这里和keras是不一样的。当然，我们也可以直接继承torch.autograd.Function类来自定义一个层，但是这很不推荐，不提倡，原因可以网上搜下。
记住一句话，keras更加注重的是层layer,pytorch更加注重的是模型Module.https://blog.csdn.net/qq_27825451/article/details/90705328
这里阐释下如何通过nn.Module类实现自定义层。
torch里面实现神经网络有两种方式
1）高层API方法：使用torch.nn.*来实现;
2）低层API方法，使用低层函数方法，torch.nn.functional.*来实现
https://blog.csdn.net/qq_27825451/article/details/90705328
class Conv2d(_ConvNd):
def __init__(self, in_channels, out_channels, kernel_size, stride=1,
padding=0, dilation=1, groups=1,
bias=True, padding_mode='zeros'):
kernel_size = _pair(kernel_size)
stride = _pair(stride)
padding = _pair(padding)
dilation = _pair(dilation)
super(Conv2d, self).__init__(
in_channels, out_channels, kernel_size, stride, padding, dilation,
False, _pair(0), groups, bias, padding_mode)
@weak_script_method
def forward(self, input):
if self.padding_mode == 'circular':
expanded_padding = ((self.padding[1] + 1) // 2, self.padding[1] // 2,
(self.padding[0] + 1) // 2, self.padding[0] // 2)
return F.conv2d(F.pad(input, expanded_padding, mode='circular'),
self.weight, self.bias, self.stride,
_pair(0), self.dilation, self.groups)
return F.conv2d(input, self.weight, self.bias, self.stride,
self.padding, self.dilation, self.groups)其中，我们推荐使用高层API的方法，原因如下：
高层API是使用类的形式来包装的，既然是类就可以存储参数，比如全连接层的权值矩阵，偏置矩阵等都可以作为类的属性存储着，但是低层API仅仅是实现函数的运算功能，没办法保存这些信息，会丢失参数信息，但是高层API是依赖于低层API的计算函数的，比如上面的两个层
Conv2d高级层——>低层F.conv2d()函数
自定义层的步骤
要实现一个自定义层大致分以下几个主要的步骤：
1）自定义一个类，继承自Module类，并且一定要实现两个基本的函数，第一是构造函数_init_,第二个是层的逻辑运算函数，即所谓的前向计算函数forward函数。
2）在构造函数_init_中实现层的参数定义，比如linear层的的权重和偏置，Conv2d层的in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True,padding_mode='zeros'这一系列参数。
3）在前向传播forward函数里面实现前向运算。这一般都是通过torch.nn.functional.*函数来实现，当然很多时候我们也需要自定义自己的运算方式，如果该层含有权重，那么权重必须是nn.Parameter类型，关于tensor和variable与parameter的区别可网上搜下相关的文档，简单说就是parameter默认需要求导，其他两个类型则不会。另外一般情况下，可能的话，为自己定义的新层提供默认的参数初始化，以防使用过程中忘记初始化操作。（问题，若忘记了有啥后果？）
4）补充：一般情况下，我们定义的参数是可以求导的，但是自定义操作如不可导，需要实现backward函数
总结：这里其实和定义一个自定义模型是一样的，核心都是实现最基本的构造函数_init_和前向运算函数forward函数。
二、自定义层的简单例子
比如我要实现一个简单的层，这个层的功能是,即输入x的平方再加上一个偏执项，再开根号，然后再乘以权值矩阵W，那要怎么做呢？按照上面的定义过程，我们先定一个这样的层（即一个类），代码如下：
# 定义一个 my_layer.py
import torch
class MyLayer(torch.nn.Module):
'''
因为这个层实现的功能是：y=weights*sqrt(x2+bias),所以有两个参数：
权值矩阵weights
偏置矩阵bias
输入 x 的维度是（in_features,)
输出 y 的维度是（out_features,) 故而
bias 的维度是（in_fearures,)，注意这里为什么是in_features,而不是out_features，注意体会这里和Linear层的区别所在
weights 的维度是（in_features, out_features）注意这里为什么是（in_features, out_features）,而不是（out_features, in_features），注意体会这里和Linear层的区别所在
'''
def __init__(self, in_features, out_features, bias=True):
super(MyLayer, self).__init__() # 和自定义模型一样，第一句话就是调用父类的构造函数
self.in_features = in_features
self.out_features = out_features
self.weight = torch.nn.Parameter(torch.Tensor(in_features, out_features)) # 由于weights是可以训练的，所以使用Parameter来定义
if bias:
self.bias = torch.nn.Parameter(torch.Tensor(in_features)) # 由于bias是可以训练的，所以使用Parameter来定义
else:
self.register_parameter('bias', None)
def forward(self, input):
input_=torch.pow(input,2)+self.bias
y=torch.matmul(input_,self.weight)
return y自定义模型并且训练
import torch
# from my_layer import MyLayer # 自定义层
N, D_in, D_out = 10, 5, 3 # 一共10组样本，输入特征为5，输出特征为3
# 定义一个 my_layer.py
import torch
class MyLayer(torch.nn.Module):
'''
因为这个层实现的功能是：y=weights*sqrt(x2+bias),所以有两个参数：
权值矩阵weights
偏置矩阵bias
输入 x 的维度是（in_features,)
输出 y 的维度是（out_features,) 故而
bias 的维度是（in_fearures,)，注意这里为什么是in_features,而不是out_features，注意体会这里和Linear层的区别所在
weights 的维度是（in_features, out_features）注意这里为什么是（in_features, out_features）,而不是（out_features, in_features），注意体会这里和Linear层的区别所在
'''
def __init__(self, in_features, out_features, bias=True):
super(MyLayer, self).__init__() # 和自定义模型一样，第一句话就是调用父类的构造函数
self.in_features = in_features
self.out_features = out_features
self.weight = torch.nn.Parameter(torch.Tensor(in_features, out_features)) # 由于weights是可以训练的，所以使用Parameter来定义
if bias:
self.bias = torch.nn.Parameter(torch.Tensor(in_features)) # 由于bias是可以训练的，所以使用Parameter来定义
else:
self.register_parameter('bias', None)
def forward(self, input):
input_ = torch.pow(input, 2) + self.bias
y = torch.matmul(input_, self.weight)
return y
# 先定义一个模型
class MyNet(torch.nn.Module):
def __init__(self):
super(MyNet, self).__init__() # 第一句话，调用父类的构造函数
self.mylayer1 = MyLayer(D_in, D_out)
def forward(self, x):
x = self.mylayer1(x)
return x
model = MyNet()
print(model)
'''运行结果为：
MyNet(
(mylayer1): MyLayer() # 这就是自己定义的一个层
)
'''
# 创建输入、输出数据
x = torch.randn(N, D_in) # （10，5）
y = torch.randn(N, D_out) # （10，3）
# 定义损失函数
loss_fn = torch.nn.MSELoss(reduction='sum')
learning_rate = 1e-4
# 构造一个optimizer对象
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
for t in range(10): #
# 第一步：数据的前向传播，计算预测值p_pred
y_pred = model(x)
# 第二步：计算计算预测值p_pred与真实值的误差
loss = loss_fn(y_pred, y)
print(loss.item())
# 在反向传播之前，将模型的梯度归零，这
optimizer.zero_grad()
# 第三步：反向传播误差
loss.backward()
# 直接通过梯度一步到位，更新完整个网络的训练参数
optimizer.step()