在Pytorch nnModule中，前向功能会忽略带有exec语句的for循环定义的隐藏层

Question

我正在建立一个神经网络模型，并试图允许任意数量的隐藏层。隐藏层的大小在列表中给出。例如hidden_​​size = [50，20]表示存在三个分别为大小50和20的隐藏层。

我的代码粘贴在下面。

class NeuralNet(nn.Module):
    """
    neural network class, with nn api
    """
    def __init__(self, input_size: int, hidden_size: List[int], output_size: int):
        """
        initialization function
        :param input_size: input data dimension
        :param hidden_size: list of hidden layer sizes, arbitrary length
        :param output_size: output data dimension
        """
        super().__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        self.relu = nn.ReLU()
        self.softmax = nn.Softmax(dim=1)
        """layers"""
        self.input = nn.Linear(self.input_size, self.hidden_size[0])
        for h in range(len(hidden_size) - 1):
            exec(f"self.hidden{h} = nn.Linear(self.hidden_size[h], self.hidden_size[h+1])")
        self.output = nn.Linear(hidden_size[-1], output_size)

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        """
        forward propagation process, required by the nn.Module class
        :param x: the input data
        :return: the output from neural network
        """
        x = self.input(x)
        x = self.relu(x)
        #x = self.hidden0(x)
        #x = self.relu(x)
        for h in range(len(self.hidden_size) - 1):
            exec(f"x = self.hidden{h}(x)")
            x = self.relu(x)
        x = self.output(x)
        x = self.softmax(x)
        return x

我给出了100的输入大小，[50，20]的hidden_​​size和2的output_size。我们应该具有大小为100 * 50的输入层，大小为50 * 20的hidden0和大小为20的输出* 2。如预期的那样，在名为 init 的函数中，使用exec参数定义了名为hidden0的层，而没有发生任何错误。但是，该模型似乎在前进步骤中跳过了exec参数。我对此有两个怀疑的理由。第一个原因是错误表明torch.addmm中的尺寸不匹配，其中两个矩阵的尺寸分别为200 * 50和20 * 2，其中200为批处理尺寸。另一个原因是，如果我使用注释的代码而不是for循环，那么一切都会正常运行。

我想知道为什么会发生这种情况，以及使用for循环允许任意数量的隐藏层的可行解决方案。