pytorch教程之nn.Sequential类详解——使用Sequential类来自定义顺序连接模型

Posted jiangkejie

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了pytorch教程之nn.Sequential类详解——使用Sequential类来自定义顺序连接模型相关的知识,希望对你有一定的参考价值。

前言:类似于keras中的序贯模型,当一个模型较简单的时候,我们可以使用torch.nn.Sequential类来实现简单的顺序连接模型。这个模型也是继承自Module类的,关于这个类,后面的文章会详细介绍。

一、关于Sequential类的简介
先来看一下它的定义吧,在之前,我们首先需要明确一个特别重要的观念,那就是——torch的核心是Module类,

Module类在下面这个模块中:

D:ProgramDataAnaconda3envspytorch1.1.0Libsite-packages orch nmodulesmodule.py

Sequential继承自Module,在下面这个模块里面:

D:ProgramDataAnaconda3envspytorch1.1.0Libsite-packages orch nmodulescontainer.py

这样看起来,Sequential似乎是一个容器,的确,他确确实实是可以作为一个容器包装机各层,我在下一篇文章会说到,这里还是先简单看一下它的定义:

class Sequential(Module): # 继承Module
    def __init__(self, *args):  # 重写了构造函数
    def _get_item_by_idx(self, iterator, idx):
    def __getitem__(self, idx):
    def __setitem__(self, idx, module):
    def __delitem__(self, idx):
    def __len__(self):
    def __dir__(self):
    def forward(self, input):  # 重写关键方法forward

这里还看一下这个所谓的container.py里面还有哪些“容器”存在:

class Container(Module):
class Sequential(Module):
class ModuleList(Module):
class ModuleDict(Module):
class ParameterList(Module):
class ParameterDict(Module):

二、Sequential类不同的实现(3种实现)

2.1 最简单的序贯模型(直接堆叠)

import torch.nn as nn
model = nn.Sequential(
                  nn.Conv2d(1,20,5),
                  nn.ReLU(),
                  nn.Conv2d(20,64,5),
                  nn.ReLU()
                )
 
print(model)
print(model[2]) # 通过索引获取第几个层
‘‘‘运行结果为:
Sequential(
  (0): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
  (1): ReLU()
  (2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
  (3): ReLU()
)
Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
‘‘‘

注意:这样做有一个问题,每一个层是没有名称,默认的是以0、1、2、3来命名,从上面的运行结果也可以看出。

2.2 给每一个层添加名称(传入OrderDict())

import torch.nn as nn
from collections import OrderedDict
model = nn.Sequential(OrderedDict([
                  (conv1, nn.Conv2d(1,20,5)),
                  (relu1, nn.ReLU()),
                  (conv2, nn.Conv2d(20,64,5)),
                  (relu2, nn.ReLU())
                ]))
 
print(model)
print(model[2]) # 通过索引获取第几个层
‘‘‘运行结果为:
Sequential(
  (conv1): Conv2d(1, 20, kernel_size=(5, 5), stride=(1, 1))
  (relu1): ReLU()
  (conv2): Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
  (relu2): ReLU()
)
Conv2d(20, 64, kernel_size=(5, 5), stride=(1, 1))
‘‘‘

注意:从上面的结果中可以看出,这个时候每一个层都有了自己的名称,但是此时需要注意,我并不能够通过名称直接获取层,依然只能通过索引index,即

model[2] 是正确的

model["conv2"] 是错误的

这其实是由它的定义实现的,看上面的Sequenrial类的定义可知,只支持index访问(getitem_by_index)。

2.3 Sequential的第三种实现(通过.add_module()逐个添加)

import torch.nn as nn
from collections import OrderedDict
model = nn.Sequential()
model.add_module("conv1",nn.Conv2d(1,20,5))
model.add_module(relu1, nn.ReLU())
model.add_module(conv2, nn.Conv2d(20,64,5))
model.add_module(relu2, nn.ReLU())
 
print(model)
print(model[2]) # 通过索引获取第几个层

熟悉keras的小伙伴在这里一定特别熟悉,这不就是keras的做法嘛,的确是的,但是Sequential里面好像并没有定义

add_module()方法啊,实际上,这个方法是定义在它的父类Module里面的,Sequential继承了而已,它的定义如下:

def add_module(self, name, module):

总结:上面的3种定义顺序模型的方法是较为常见的,但是我们说了Sequential除了本身可以用来定义模型之外,它还可以包装层,把几个层包装起来像一个块一样,这在后面会说到。

 


原文链接:https://blog.csdn.net/qq_27825451/java/article/details/90551513

以上是关于pytorch教程之nn.Sequential类详解——使用Sequential类来自定义顺序连接模型的主要内容,如果未能解决你的问题,请参考以下文章

使用 Pytorch 的 *list、.children() 和 nn.sequential 创建的模型会产生不同的输出张量

如何在 Pytorch 的“nn.Sequential”中展平输入

PyTorch 中的 nn.functional() 与 nn.sequential() 之间是不是存在计算效率差异

pytorch中的顺序容器——torch.nn.Sequential

pytorch torch.nn.Sequential(* args)(嘎哈用的?构建神经网络用的?)

PyTorch网络搭建中*list的用法解析