有下面代码可以看出torch层函数(nn.Module)用法,使用超参数实例化层函数类(常位于网络class的__init__中),而网络class实际上就是一个高级的递归的nn.Module的class。
通常
torch.nn的核心数据结构是Module
,它是一个抽象概念,既可以表示神经网络中的某个层(layer),也可以表示一个包含很多层的神经网络。
在实际使用中,最常见的做法是继承nn.Module
,撰写自己的网络/层。
- 自定义层
Linear
必须继承nn.Module
,并且在其构造函数中需调用nn.Module
的构造函数,即super(Linear, self).__init__()
或nn.Module.__init__(self)
,推荐使用第一种用法。 - 在构造函数
__init__
中必须自己定义可学习的参数,并封装成Parameter
,如在本例中我们把w
和b
封装成parameter
。parameter
是一种特殊的Variable
,但其默认需要求导(requires_grad = True)。 forward
函数实现前向传播过程,其输入可以是一个或多个variable,对x的任何操作也必须是variable支持的操作。- 无需写反向传播函数,因其前向传播都是对variable进行操作,nn.Module能够利用autograd自动实现反向传播,这点比Function简单许多。
- 使用时,直观上可将layer看成数学概念中的函数,调用layer(input)即可得到input对应的结果。它等价于
layers.__call__(input)
,在__call__
函数中,主要调用的是layer.forward(x)
,另外还对钩子做了一些处理。所以在实际使用中应尽量使用layer(x)
而不是使用layer.forward(x)
。 Module
中的可学习参数可以通过named_parameters()
或者parameters()
返回迭代器,前者会给每个parameter都附上名字,使其更具有辨识度。
Module能够自动检测到自己的Parameter
,并将其作为学习参数。
可见利用Module实现的全连接层,比利用Function
实现的更为简单,因其不再需要写反向传播函数。
import torch as t from torch import nn from torch.autograd import Variable as V class Linear(nn.Module): def __init__(self, in_features, out_features): # nn.Module.__init__(self) super(Linear, self).__init__() self.w = nn.Parameter(t.randn(in_features, out_features)) # nn.Parameter是特殊Variable self.b = nn.Parameter(t.randn(out_features)) def forward(self, x): x = x.mm(self.w) return x + self.b layer = Linear(4, 3) input = V(t.randn(2, 4)) output = layer(input) print(output) for name, Parameter in layer.named_parameters(): print(name, Parameter)
Variable containing:
4.1151 2.4139 3.5544
-0.4792 -0.9400 -7.6010
[torch.FloatTensor of size 2x3]w Parameter containing:
1.1856 0.9246 1.1707
0.2632 -0.1697 0.7543
-0.4501 -0.2762 -3.1405
-1.1943 1.2800 1.0712
[torch.FloatTensor of size 4x3]
b Parameter containing:
1.9577
1.8570
0.5249
[torch.FloatTensor of size 3]
递归
除了parameter
之外,Module还包含子Module
,主Module能够递归查找子Module
中的parameter
。
- 构造函数
__init__
中,可利用前面自定义的Linear层(module),作为当前module对象的一个子module,它的可学习参数,也会成为当前module的可学习参数。 - 在前向传播函数中,我们有意识地将输出变量都命名成
x
,是为了能让Python回收一些中间层的输出,从而节省内存。但并不是所有都会被回收,有些variable虽然名字被覆盖,但其在反向传播仍需要用到,此时Python的内存回收模块将通过检查引用计数,不会回收这一部分内存。
module中parameter的命名规范:
- 对于类似
self.param_name = nn.Parameter(t.randn(3, 4))
,命名为param_name
- 对于子Module中的parameter,会其名字之前加上当前Module的名字。如对于
self.sub_module = SubModel()
,SubModel中有个parameter的名字叫做param_name,那么二者拼接而成的parameter name 就是sub_module.param_name
。
下面再来看看稍微复杂一点的网络,多层感知机:
class Perceptron (nn.Module): def __init__(self, in_features, hidden_features, out_features): nn.Module.__init__(self) self.layer1 = Linear(in_features, hidden_features) self.layer2 = Linear(hidden_features, out_features) def forward(self, x): x = self.layer1(x) x = t.sigmoid(x) return self.layer2(x) per = Perceptron(3, 4, 1) for name, param in per.named_parameters(): print(name, param.size())