【Pytorch笔记】查看网络中某一层反向传播的梯度

NOVAglow646

已于 2022-09-30 14:54:38 修改

阅读量2.1k

点赞数 1

分类专栏： pytorch

于 2022-09-30 11:12:18 首次发布

本文链接：https://blog.csdn.net/NOVAglow646/article/details/127118661

版权

pytorch 专栏收录该内容

7 篇文章 0 订阅

订阅专栏

print("auxi=",nn.Sequential(*list(self.auxi_network.children())))

结果如下：
在这里插入图片描述

打印梯度：

print("auxi=",nn.Sequential(*list(self.auxi_network.children()))[0][4][1].conv1.weight.grad)

在这里插入图片描述

注意：

直接打印self.auxi_network.children()是不会显示网络结构的。只有用上面所示的nn.Sequential封装之后才能支持对网络结构的展示。
关于网络的类型，既可以用常规的定义一个网络类并实现forward方法，也可以使用nn.Squential对nn.Conv2d、nn.ReLU、nn.Linear等函数进行封装得到，如：
```
model = nn.Sequential(

nn.Conv2d(1,20,5),

nn.ReLU(),

nn.Conv2d(20,64,5),

nn.ReLU()

)
```
值得注意的是，nn.Squential里还可以放入任何继承自nn.Module的自定义类，只要它实现了forward方法。例子：
```
self.featurizer = networks.Featurizer(input_shape, self.hparams)

self.classifier = networks.Classifier(self.featurizer.n_outputs, num_classes, self.hparams[‘nonlinear_classifier’])
```
其中Featurizer是：
它所返回的ResNet类是自己封装的：

class ResNet(torch.nn.Module):
    """ResNet with the softmax chopped off and the batchnorm frozen"""

    def __init__(self, input_shape, hparams):
        super(ResNet, self).__init__()
        if hparams['resnet18']:
            self.network = torchvision.models.resnet18(pretrained=True)
            self.n_outputs = 512
        else:
            self.network = torchvision.models.resnet50(pretrained=True)
            self.n_outputs = 2048

        nc = input_shape[0]
        if nc != 3:
            tmp = self.network.conv1.weight.data.clone()
            self.network.conv1 = nn.Conv2d(
                nc, 64, kernel_size=(7, 7),
                stride=(2, 2), padding=(3, 3), bias=False)
            for i in range(nc):
                self.network.conv1.weight.data[:,
                                               i, :, :] = tmp[:, i % 3, :, :]
        # save memory
        del self.network.fc
        self.network.fc = Identity()
        self.freeze_bn()
        self.hparams = hparams
        self.dropout = nn.Dropout(hparams['resnet_dropout'])

    def forward(self, x):
        """Encode x into a feature vector of size n_outputs."""
        return self.dropout(self.network(x))

    def train(self, mode=True):
        """
        Override the default train() to freeze the BN parameters
        """
        super().train(mode)
        self.freeze_bn()

    def freeze_bn(self):
        for m in self.network.modules():
            if isinstance(m, nn.BatchNorm2d):
                m.eval()

因为本质上来说，这种继承自nn.Module的自定义的类和pytorch的nn.Conv2d等类本质是一样的，都可以理解为是个Module，接受一个输入并产生一个输出。查看nn.Sequential的源码就可以知道它支持这两种东西的输入。
nn.Sequential源码：

def __init__(self, *args):
        super(Sequential, self).__init__()
        if len(args) == 1 and isinstance(args[0], OrderedDict):#接收nn.Conv2d、nn.Linear这类参数，因为他们本质是OrderedDict
            for key, module in args[0].items():
                self.add_module(key, module)
        else:#接收自定义网络类
            for idx, module in enumerate(args):
                self.add_module(str(idx), module)

关于nn.Conv2d、nn.Linear为什么是OrderedDict，可以参考这篇文章，在此不做展开。
3. 对每一层的访问方式。模型打印出来前面带标号的，如(0)，可以直接用下标[0]访问。如果前面是带名字的，如(con1)，则需要用属性名.conv1访问。