前面几节我们学习了深度学习模型的基本原理与实现，下面我们继续学习深度学习计算的各个组成部分，为后续学习复杂模型打下基础。
在学习模型构造之前，我们先了解一下什么是计算图。
计算图 (Computational Graph)
计算图是用来描述运算的有向无环图，有两个主要元素：
节点 (Node) ：节点表示数据，如向量、矩阵、张量。
边 (Edge)：边表示运算，如加减乘除卷积等。
用计算图表示：y=(x1+w)*(x2+w)，如下图所示：
计算图
其中，x1, x2, w, y 分别为节点，+ ,* 为节点之间的操作，即边。故y=a*b，其中a=x1+w, b=x2+w。
计算图与梯度求导
求上图y对w的导数，根据复合函数的求导法则，推理如下：
对应到计算图中，就是根节点y到叶子节点w有两条路径y->a->w和y->b->w。根节点依次对每条路径的子节点求导，直到叶子节点w，最后把每条路径的导数相加即可，其实就是我们前面讲过的反向传播求偏导。
总结为y对w求导，就是从计算图中找到所有y到w的路径，然后把各个路径的导数进行求和。
代码演示如下：
PyTorch动态计算图演示
计算图又分为静态计算图 (Static Computational Graph)和动态计算图 (Dynamic Computational Graph)：
动态图就是运算和搭建同时进行，也就是可以先计算前面的节点的值，再根据这些值搭建后面的计算图。
静态图是先搭建图，然后再输入数据进行运算，是先定义后运行的方式，之后再次运行的时候就不再需要重新构建计算图，所以速度会比动态图更快，但是不灵活。
PyTorch因其动态图的特色吸引了很多使用者，而Tensorflow早期是用的静态图导致开发很不友好，后来也改成了动态图模式。
tensorflow静态计算图演示
动态图和静态图对比
模型构造
PyTorch是基于动态图的模型搭建方式，我们可以随机的在网络中添加或者删除网络层。PyTorch为我们提供了非常方便的nn工具箱，我们搭建模型只需要定义一个继承自nn.module的类并实现其init和forward方法就可。
其中nn.Module类是nn模块中提供的一个模型构造类，是所有神经网络模块的基础类。我们需要继承它来定义我们的自己的网络结构。init方法中动态绑定成员变量，定义我们的网络结构和相关参数；forword方法中决定数据流经这些成员变量的顺序，即网络的前向传播方式。
PyTorch中nn工具箱的结构示意图
一般来说，我们构建网络模型时用到的卷积层、全连接层、Dropout层等含有可学习参数的层都是继承nn.Module，而激活函数、池化层等函数类型的层继承于nn.functional。
1.继承Module类来构造模型
下面定义的MLP 类中无须定义反向传播函数。系统将通过自动求梯度而自动生成反向传播所需的backward 函数。
我们可以实例化 MLP 类得到模型变量 net 。下的代码初始化 net 并传输数据 X 做次前向计算。其中， net(X) 会调用 MLP 继承 Module 类的 __call__ 函数，这个函数将调用 MLP 类定义的forward 函数来完成前向计算。
继承Module类的基础模型
这并没有将 Module 类命名为 Layer （层）或者 Model （模型）之类的名字，这是因为该类是一个可供自由组建的部件。它的子类既可以是一个层（如PyTorch提供的 Linear 类），又可以是个模型（如这定义的 MLP 类），或者是模型的一个部分。我们下面来展示它的灵活性。
2.Module的子类
PyTorch还提供了许多继承自Module的类，如：Sequential、ModuleList和ModuleDict等。
2.1Sequential类
当模型的前向计算为简单的串联各个网络层的时候，可以通过Sequential类以更加简单的方式来定义模型。Sequential可以接收一个子模块的有序字典（OrderedDict）或者一系列的子模块作为参数来逐一的添加Module的子类的实例。在前向传播计算的时候，可以将这些实例按照添加的顺序逐一计算，向前传播。这里实现一个MySequential类，其机制和Sequential类似。
举例如下：
Sequential类模型
2.2 ModuleList类
ModuleList类接收一个子模块的列表作为输入，也可以类似List那样进行append和extend操作。类似于我们建立一个list，list内部中的每一个元素代表一个网络层。
举例如下：
ModuleList类模型
ModuleList不同于一般的Python的list，加入到ModuleList里面的所有模块的参数会被自动添加到整个网络中。
2.3 ModuleDict类
ModuleDict类接收一个子模块的字典作为输入，然后按照类似于字典的形式进行添加访问操作，举例如下：
ModuleDict类模型
ModuleDict和ModuleList类似的是，ModuleDict实例仅仅是存放了一些模块的字典，并没有定义forward函数，前向传播的方式需要我们自己定义。同样，ModuleDict也与Python的Dict有所不同，ModuleDict里的所有模块的参数会被自动添加到整个网络结构的内部。
3.构造复杂的模型
上面介绍的Sequential使用简单，但灵活性不足。通常我们还是自定义类，继承nn.Module，去完成更复杂的模型定义和控制。下面的我们尝试构建一个复杂点的网络来总结上面的内容，该网络中包含不被迭代的参数，即常数参数，还多次调用相同的层。
复杂模型构建
总结
PyTorch是基于动态图的模型搭建方式。
Module类是PyTorch中所有神经网络模块的基类，也是个可供自由构建的模块。它的子类既可以是个层（如PyTorch提供的 Linear 类），又可以是一个模型（如这里是定义的 MLP 类），或者是模型的一个部分。
Sequential、ModuleList、ModuleDict类都继承自Module类。
Sequential内的模块需要按照顺序排列，要保证相邻层的输入输出大小相匹配，内部forward功能已经实现。与Sequential不同，ModuleList和ModuleDict并没有定义一个完整的网络，它们只是将不同的模块存放在一起，这些模块之间没有联系也没有顺序（所以不用保证相邻层的输入输出维度匹配），需要自己定义forward函数。
虽然Sequential等类可以使模型构造更加简单，但直接继承Module类可以极大地拓展模型构造的灵活性。
