目录
- 模型创建与nn.Module
- nn.Module
- 总结
模型创建与nn.Module
文章和代码已经归档至【Github仓库:https://github.com/timerring/dive-into-AI】
创建网络模型通常有2个要素:
- 构建子模块
- 拼接子模块
class LeNet(nn.Module):
# 子模块创建
def __init__(self, classes):
super(LeNet, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16*5*5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, classes)
# 子模块拼接
def forward(self, x):
out = F.relu(self.conv1(x))
out = F.max_pool2d(out, 2)
out = F.relu(self.conv2(out))
out = F.max_pool2d(out, 2)
out = out.view(out.size(0), -1)
out = F.relu(self.fc1(out))
out = F.relu(self.fc2(out))
out = self.fc3(out)
return out
调用net = LeNet(classes=2)创建模型时,会调用__init__()方法创建模型的子模块。
训练调用outputs = net(inputs)时,会进入module.py的call()函数中:
def __call__(self, *input, **kwargs):
for hook in self._forward_pre_hooks.values():
result = hook(self, input)
if result is not None:
if not isinstance(result, tuple):
result = (result,)
input = result
if torch._C._get_tracing_state():
result = self._slow_forward(*input, **kwargs)
else:
result = self.forward(*input, **kwargs)
…
…
…
最终会调用result = self.forward(*input, **kwargs)函数,该函数会进入模型的forward()函数中,进行前向传播。
在torch.nn中包含 4 个模块,如下图所示。
本次重点就在于nn.Model的解析:
nn.Module
nn.Module有 8 个属性,都是OrderDict(有序字典)的结构。在 LeNet 的__init__()方法中会调用父类nn.Module的__init__()方法,创建这 8 个属性。
def __init__(self):
\”\”\”
Initializes internal Module state, shared by both nn.Module and ScriptModule.
\”\”\”
torch._C._log_api_usage_once(\”python.nn_module\”)
self.training = True
self._parameters = OrderedDict()
self._buffers = OrderedDict()
self._backward_hooks = OrderedDict()
self._forward_hooks = OrderedDict()
self._forward_pre_hooks = OrderedDict()
self._state_dict_hooks = OrderedDict()
self._load_state_dict_pre_hooks = OrderedDict()
self._modules = OrderedDict()
- _parameters 属性:存储管理 nn.Parameter 类型的参数
- _modules 属性:存储管理 nn.Module 类型的参数
- _buffers 属性:存储管理缓冲属性,如 BN 层中的 running_mean
- 5 个*_hooks 属性:存储管理钩子函数
LeNet 的__init__()中创建了 5 个子模块,nn.Conv2d()和nn.Linear()都继承于nn.module,即一个 module 都是包含多个子 module 的。
class LeNet(nn.Module):
# 子模块创建
def __init__(self, classes):
super(LeNet, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16*5*5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, classes)
…
…
…
当调用net = LeNet(classes=2)创建模型后,net对象的 modules 属性就包含了这 5 个子网络模块。
下面看下每个子模块是如何添加到 LeNet 的_modules属性中的。以self.conv1 = nn.Conv2d(3, 6, 5)为例,当我们运行到这一行时,首先 Step Into 进入Conv2d的构造,然后 Step Out。右键Evaluate Expression查看nn.Conv2d(3, 6, 5)的属性。
上面说了Conv2d也是一个 module,里面的_modules属性为空,_parameters属性里包含了该卷积层的可学习参数,这些参数的类型是 Parameter,继承自 Tensor。
此时只是完成了nn.Conv2d(3, 6, 5)module 的创建。还没有赋值给self.conv1。在nn.Module里有一个机制,会拦截所有的类属性赋值操作(self.conv1是类属性),进入到__setattr__()函数中。我们再次 Step Into 就可以进入__setattr__()。
def __setattr__(self, name, value):
def remove_from(*dicts):
for d in dicts:
if name in d:
del d[name]
params = self.__dict__.get(\’_parameters\’)
if isinstance(value, Parameter):
if params is None:
raise AttributeError(
\”cannot assign parameters before Module.__init__() call\”)
remove_from(self.__dict__, self._buffers, self._modules)
self.register_parameter(name, value)
elif params is not None and name in params:
if value is not None:
raise TypeError(\”cannot assign \'{}\’ as parameter \'{}\’ \”
\”(torch.nn.Parameter or None expected)\”
.format(torch.typename(value), name))
self.register_parameter(name, value)
else:
modules = self.__dict__.get(\’_modules\’)
if isinstance(value, Module):
if modules is None:
raise AttributeError(
\”cannot assign module before Module.__init__() call\”)
remove_from(self.__dict__, self._parameters, self._buffers)
modules[name] = value
elif modules is not None and name in modules:
if value is not None:
raise TypeError(\”cannot assign \'{}\’ as child module \'{}\’ \”
\”(torch.nn.Module or None expected)\”
.format(torch.typename(value), name))
modules[name] = value
…
…
…
在这里判断 value 的类型是Parameter还是Module,存储到对应的有序字典中。
这里nn.Conv2d(3, 6, 5)的类型是Module,因此会执行modules[name] = value,key 是类属性的名字conv1,value 就是nn.Conv2d(3, 6, 5)。
总结
- 一个 module 里可包含多个子 module。比如 LeNet 是一个 Module,里面包括多个卷积层、池化层、全连接层等子 module
- 一个 module 相当于一个运算,必须实现 forward() 函数
- 每个 module 都有 8 个字典管理自己的属性
以上就是PyTorch模型创建与nn.Module构建的详细内容,更多关于PyTorch模型创建nn.Module的资料请关注悠久资源网其它相关文章!
您可能感兴趣的文章:
- 关于PyTorch中nn.Module类的简介
- Pytorch参数注册和nn.ModuleListnn.ModuleDict的问题
- 人工智能学习PyTorch实现CNN卷积层及nn.Module类示例分析
- pytorch 中的重要模块化接口nn.Module的使用
- 用pytorch的nn.Module构造简单全链接层实例
- 浅析PyTorch中nn.Module的使用