在PyTorch模型类中使用nn.Sequential时遇TypeError异常求助

我尝试用nn.Sequential构建一个简单神经网络做测试，但运行代码时出现错误。

我的代码 #

# Create Model
import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super().__init__()

        # Define Network
        self.stack = nn.Sequential(
            nn.Linear(in_features=3, out_features=8),
            nn.ReLU(),
            nn.Linear(in_features=8, out_features=8),
            nn.ReLU(),
            nn.Linear(in_features=8, out_features=1),
            nn.Sigmoid(),
        )

    def forward(self, x):
        # Define Forward Pass
        return self.stack(x)


# Instance Of Model
model = Net(X_train[:5])

错误信息 #

TypeError                                 Traceback (most recent call last)
<ipython-input-32-f947c74336f3> in <cell line: 31>()
     29 # Instance Of Model
     30 
---> 31 model = Net(X_train[0])

TypeError: Net.__init__() takes 1 positional argument but 2 were given

我原本想传入训练数据X_train的前5个样本测试模型，期望得到5个0到1之间的输出值，却触发了上述错误。

解决方案 #

错误根源是你把测试数据传到了模型的实例化步骤中，而Net类的__init__方法只接受self这一个参数，不需要传入数据。

正确的操作分两步：

1. 先实例化模型（仅定义网络结构，不处理数据）
2. 调用实例化后的模型，传入测试数据获取输出

修正后的代码：

# 先实例化模型
model = Net()
# 传入测试数据得到输出
outputs = model(X_train[:5])
# 查看输出结果
print(outputs)

解释：PyTorch中，模型类的__init__方法仅用于定义网络层结构，forward方法才是处理输入数据的逻辑。实例化模型后，直接把模型当作函数调用，就会自动触发forward方法处理输入数据。

内容的提问来源于stack exchange，提问作者WatchingZ