PyTorch 14. module类

module类

pytorch中其实一般没有特别明显的Layer和Module的区别，不管是自定义层、自定义块、自定义模型，都是通过继承Module类完成的，其实Sequential类也是继承Module类。

module类的定义：

class Module(object):
	def __init__(self):
	def forward(self, *input):
	
	def add_module(self,name,module):
	def cuda(self,device=None):
	def cpu(self):
	def __call__(self, *input, **kwargs):
	def parameters(self, recurse=True):
	def named_parameters(self, prefix='', recurse=True):
	def children(self):
	def named_children(self):
	def modules(self):
	def named_modules(self,memo=None,prefix=''):
	def train(self,mode=True):
	def eval(self):
	def zero_grad(self):
	def __repr__(self):
	def __dir__(self):

我们在定义自己的网络的时候，需要继承nn.Module类，并重新实现构造函数__init__构造函数和forward这两个方法。
注意技巧：
（1）一般把网络中具有可学习参数的层（如全连接层，卷积层等）放在构造函数__init__()中，当然我也可以把不具有参数的层也放在里面
（2）一般把不具有可学习参数的层（如ReLU, dropout, BatchNormalnation层）可放在构造函数中，也可不放在构造函数中，如果不放在构造函数__init__里面，则在forward方法里面可以使用nn.functional来代替
（3）forward方法是必须要重写的，它是实现模型的功能，实现各个层之间的连接关系的核心

注意：只要在module中__init__定义的层，即使forward中没有使用到，模型保存时，也会保存该网络层，因此如果不需要的东西就不要放到__init__

torch.nn.Module类的多种实现

方法1：通过Sequential层来包装层，即将几个层包装在一起作为一个大的层

import torch.nn as nn
from collections import OrderedDict
class MyNet(nn.Module):
	def __init__(self):
		super(MyNet, self).__init__()
		self.conv_block = nn.Sequential(
			nn.Conv2d(3, 32, 3,1,1),
			nn.ReLU(),
			nn.MaxPool2d(2)
		)
		self.dense_block = nn.Sequential(
			nn.Linear(32*3*3, 128),
			nn.ReLU(),
			nn.Linear(128,10)
		)
	def forward(self,x):
		conv_out = self.conv_block(x)
		res = conv_out.view(conv_out.size(0),-1)
		out = self.dense_block(res)
		return out

model = MyNet()
print(model)

这里在每一个包装块里面，各个层是没有名称的，默认按照0,1,2,3,4排序。
方法2

import torch.nn as nn
from collections import OrderedDict
class MyNet(nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()
        self.conv_block = nn.Sequential(
            OrderedDict(
                [
                    ("conv1", nn.Conv2d(3, 32, 3, 1, 1)),
                    ("relu1", nn.ReLU()),
                    ("pool", nn.MaxPool2d(2))
                ]
            ))
 
        self.dense_block = nn.Sequential(
            OrderedDict([
                ("dense1", nn.Linear(32 * 3 * 3, 128)),
                ("relu2", nn.ReLU()),
                ("dense2", nn.Linear(128, 10))
            ])
        )
 
    def forward(self, x):
        conv_out = self.conv_block(x)
        res = conv_out.view(conv_out.size(0), -1)
        out = self.dense_block(res)
        return out
 
model = MyNet()
print(model)

方法3

import torch.nn as nn
from collections import OrderedDict
class MyNet(nn.Module):
    def __init__(self):
        super(MyNet, self).__init__()
        self.conv_block=torch.nn.Sequential()
        self.conv_block.add_module("conv1",torch.nn.Conv2d(3, 32, 3, 1, 1))
        self.conv_block.add_module("relu1",torch.nn.ReLU())
        self.conv_block.add_module("pool1",torch.nn.MaxPool2d(2))
 
        self.dense_block = torch.nn.Sequential()
        self.dense_block.add_module("dense1",torch.nn.Linear(32 * 3 * 3, 128))
        self.dense_block.add_module("relu2",torch.nn.ReLU())
        self.dense_block.add_module("dense2",torch.nn.Linear(128, 10))
 
    def forward(self, x):
        conv_out = self.conv_block(x)
        res = conv_out.view(conv_out.size(0), -1)
        out = self.dense_block(res)
        return out
 
model = MyNet()
print(model)

上面的方法2和方法3，在每一个包装块中，每个层都是有名称的。
特别注意：Sequential类虽然继承自Module类，二者有相似部分，但是也有很多不同的部分，集中体现在：

Sequential类实现了整数索引，故而可以使用model[index]这样的方式获取一个层，但是Module类并没有实现整数索引，不能够通过整数索引来获得层，但是它提供了几个主要方法，如下：
具体内容可以查看我的这一篇博客

children和modules之间的差异性

注意pytorch里面不管是模型、层、激活函数、损失函数都可以当成是Module的拓展，所以modules和named_modules会层层迭代，由浅入深，将每个自定义块block、然后block里面的每个层都当成是module来迭代，而children就比较直观，就表示所谓的“孩子”，所以没有层层深入

参考：
https://zhuanlan.zhihu.com/p/156127643