李沐16神经网络基础——自学笔记

模型构造

1. 层和块

import torch
from torch import nn
from torch.nn import functional as F   # 定义了一些未给定参数的函数

net=nn.Sequential(nn.Linear(20,256),nn.ReLU(),nn.Linear(256,10))  # 简单的单层神经网络，线性层+relu+线性层

X=torch.rand(2,20) # 2*20的随机矩阵
net(X)

tensor([[-0.2445, -0.0222, -0.0563, -0.0727, -0.1029,  0.2274,  0.0739,  0.3686,
          0.2237, -0.1444],
        [-0.1527, -0.0438,  0.0650,  0.0392, -0.0910,  0.2722,  0.2828,  0.3175,
          0.2041, -0.1027]], grad_fn=<AddmmBackward0>)

自定义块

class MLP(nn.Module):
    def __init__(self):   # 需要哪些类、哪些参数
        super().__init__()
        self.hidden=nn.Linear(20,256)
        self.out=nn.Linear(256,10)
            
    def forward(self,X):
        return self.out(F.relu(self.hidden(X)))
    
# nn.relu是构造了应该ReLU对象，并不是函数调用，而是F.ReLU()函数调用

实例化多层感知机的层，然后在每次调用正向传播函数时调用这些层

net=MLP()
net(X)  # 2*10的矩阵

tensor([[-0.0350, -0.0752,  0.1399,  0.0448,  0.1707, -0.0410,  0.1234,  0.3876,
         -0.2362,  0.1494],
        [-0.0350, -0.0322,  0.0620,  0.1837,  0.1890, -0.0255, -0.0059,  0.4239,
         -0.1433,  0.0753]], grad_fn=<AddmmBackward0>)

顺序块

class MySequential(nn.Module):
    def __init__(self,*args):
        super().__init__()  # 附类初始化函数
        for block in args:  # 传入的层是block
            self._modules[block]=block
            
    def forward(self,X):
        for block in self._modules.values():
            X=block(X)
        return X
    
net=MySequential(nn.Linear(20,256),nn.ReLU(),nn.Linear(256,10))
net(X)

tensor([[-0.3067, -0.1418, -0.0705,  0.0592, -0.1227, -0.0437,  0.0697,  0.0652,
          0.1585,  0.0560],
        [-0.3598, -0.0773, -0.1089,  0.1367, -0.1160,  0.0246,  0.1529,  0.0009,
          0.0748,  0.0822]], grad_fn=<AddmmBackward0>)

在正向传播函数中执行代码

class FixedHiddenMLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.rand_weight=torch.rand((20,20), requires_grad=False)
        self.linear=nn.Linear(20,20)
        
    def forward(self,X):
        X=self.linear(X)
        X=F.relu(torch.mm(X,self.rand_weight)+1) # mm矩阵乘法++
        X-self.linear(X)
        while X.abs().sum()>1:
            X/=2
        return X.sum()
    
net=FixedHiddenMLP()
net(X)

tensor(0.9181, grad_fn=<SumBackward0>)

混合搭配各种组合快的方法

class NestMLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.net=nn.Sequential(nn.Linear(20,64), nn.ReLU(),
                               nn.Linear(64,32), nn.ReLU())
        self.linear=nn.Linear(32,16)
        
    def forward(self,X):
        return self.linear(self.net(X))
    
chimera=nn.Sequential(NestMLP(),nn.Linear(16,20),FixedHiddenMLP())
chimera(X)

tensor(0.5094, grad_fn=<SumBackward0>)

总结：

继承nn.Module的类进行模型构造，第一：定义好init，第二：定义好前向运算forward

2. 参数管理

首先关注具有单隐藏层的多层感知机

import torch
from torch import nn

net=nn.Sequential(nn.Linear(4,8),nn.ReLU(),nn.Linear(8,1))
X=torch.rand(size=(2,4))
net(X)

tensor([[-0.2786],
        [-0.2945]], grad_fn=<AddmmBackward0>)

参数访问

print(net[2].state_dict())  # state是状态，也是权重

OrderedDict([('weight', tensor([[-0.1354,  0.1267,  0.2283, -0.2102,  0.1198, -0.1059, -0.0169, -0.0098]])), ('bias', tensor([-0.3447]))])

目标参数

print(type(net[2].bias))
print(net[2].bias)
print(net[2].bias.data)  # .data来访问值

<class 'torch.nn.parameter.Parameter'>
Parameter containing:
tensor([-0.3447], requires_grad=True)
tensor([-0.3447])

net[2].weight.grad==None  # .grad访问梯度

True

一次性访问所有参数

print(*[(name,param.shape) for name,param in net[0].named_parameters()])
print(*[(name,param.shape) for name,param in net.named_parameters()])  # 访问所有的param

('weight', torch.Size([8, 4])) ('bias', torch.Size([8]))
('0.weight', torch.Size([8, 4])) ('0.bias', torch.Size([8])) ('2.weight', torch.Size([1, 8])) ('2.bias', torch.Size([1]))

net.state_dict()['2.bias'].data

tensor([-0.3447])

从嵌套块收集参数

def block1():
    return nn.Sequential(nn.Linear(4,8),nn.ReLU(),nn.Linear(8,4),
                         nn.ReLU())
def block2():
    net=nn.Sequential()
    for i in range(4):
        net.add_module(f'block{1}', block1())
    return net

rgnet=nn.Sequential(block2(),nn.Linear(4,1))
rgnet(X)

tensor([[-0.3924],
        [-0.4124]], grad_fn=<AddmmBackward0>)

print(rgnet)

Sequential(
  (0): Sequential(
    (block1): Sequential(
      (0): Linear(in_features=4, out_features=8, bias=True)
      (1): ReLU()
      (2): Linear(in_features=8, out_features=4, bias=True)
      (3): ReLU()
    )
  )
  (1): Linear(in_features=4, out_features=1, bias=True)
)

内置初始化

def init_normal(m):   # 初始成正态分布
    if type(m)==nn.Linear:
        nn.init.normal_(m.weight,mean=0,std=0.01)  # 下划线是替换的意思，不会返回值，读输入进行改变
        nn.init.zeros_(m.bias)
        
net.apply(init_normal)  # .apply: 遍历loop
net[0].weight.data[0], net[0].bias.data[0]

(tensor([-0.0092,  0.0162, -0.0011, -0.0013]), tensor(0.))

def init_constant(m):  # 初始化成常数，但是初始参数一样，后面的层就没有意义
    if type(m)==nn.Linear:
        nn.init.constant_(m.weight,1)
        nn.init.zeros_(m.bias)

net.apply(init_constant)
net[0].weight.data[0], net[0].bias.data[0]

(tensor([1., 1., 1., 1.]), tensor(0.))

对某些块应用不同的初始化方法

def xavier(m):  # 均匀分布
    if type(m)==nn.Linear:
        nn.init.xavier_uniform_(m.weight)
def init_42(m):
    if type(m)==nn.Linear:
        nn.init.constant_(m.weight,42)  # 不同的层，使用不同的初始化函数
        
net[0].apply(xavier) # 第一层
net[2].apply(init_42) # 最后一层，权重全是42
print(net[0].weight.data[0])
print(net[2].weight.data)  # 全是42

tensor([-0.2800, -0.4153, -0.6631,  0.3451])
tensor([[42., 42., 42., 42., 42., 42., 42., 42.]])

自定义初始化

def my_init(m):
    if type(m)==nn.Linear:
        print(
        "Init",
        *[(name,param.shape) for name,param in m.named_parameters()][0])
        nn.init.uniform_(m.weight,-10,10)
        m.weight.data *=m.weight.data.abs()>=5
# 先>=, 再*=（*=表示先计算一个布尔矩阵，再用布尔矩阵的对应元素去乘以原始矩阵的每个元素）
        
net.apply(my_init)
net[0].weight[:2]

Init weight torch.Size([8, 4])
Init weight torch.Size([1, 8])





tensor([[-5.2818, -7.9384,  6.6614,  0.0000],
        [-0.0000, -0.0000,  0.0000, -0.0000]], grad_fn=<SliceBackward0>)

直接元素替换

net[0].weight.data[:]+=1  # 所有值+1
net[0].weight.data[0,0]=42 # 第一个元素变42
net[0].weight.data[0]

tensor([42.0000, -6.9384,  7.6614,  1.0000])

参数绑定

# 两个数据流，共享权重，shared，即参数绑定
shared=nn.Linear(8,8)
net=nn.Sequential(nn.Linear(4,8),nn.ReLU(),shared,nn.ReLU(),shared,##第二个隐藏层和第四个隐藏层权重一样，即两个shared的层权重是一样的
                  nn.ReLU(),nn.Linear(8,1))
net(X)
print(net[2].weight.data[0]==net[4].weight.data[0])
net[2].weight.data[0,0]=100  # 改第一个shared的权重，会影响下一个shared，两个一样
print(net[2].weight.data[0]==net[4].weight.data[0])

tensor([True, True, True, True, True, True, True, True])
tensor([True, True, True, True, True, True, True, True])

2. 自定义层

构造一个没有任何参数的自定义层

import torch
import torch.nn.functional as F
from torch import nn

class CenteredLayer(nn.Module):
    def __init__(self):
        super().__init__()
    def forward(self,X):
        return X-X.mean()
    
layer=CenteredLayer()
layer(torch.FloatTensor([1,2,3,4,5]))

tensor([-2., -1.,  0.,  1.,  2.])

将层作为组件合并到构建更复杂的模型中

net=nn.Sequential(nn.Linear(8,128),CenteredLayer())

Y=net(torch.rand(4,8))
Y.mean()

tensor(-1.8626e-09, grad_fn=<MeanBackward0>)

带参数的图层

class MyLinear(nn.Module):
    def __init__(self, in_units,units):  # in_units:输入维度，units：输出维度
        super().__init__()
        self.weight=nn.Parameter(torch.randn(in_units,units))  # randn是标准正态分布
        self.bias=nn.Parameter(torch.randn(units,))
        
    def forward(self,X):
        linear=torch.matmul(X,self.weight.data)+self.bias.data # matmul：矩阵乘法
        return F.relu(linear)
    
dense=MyLinear(5,3)
dense.weight

Parameter containing:
tensor([[-0.3036, -0.7583, -0.4838],
        [-0.6022,  0.2335, -0.2397],
        [ 0.1404, -0.1485, -0.3653],
        [-1.1541, -1.6614,  1.1406],
        [ 0.6781, -0.3380,  1.2838]], requires_grad=True)

使用自定义层直接执行正向传播计算

dense(torch.randn(2,5))

tensor([[1.6271, 0.0000, 1.1881],
        [0.0965, 1.8006, 0.4168]])

使用自定义层构建模型

net=nn.Sequential(MyLinear(64,8),MyLinear(8,1))
net(torch.rand(2,64))

tensor([[6.2056],
        [8.4571]])

3. 读写文件

加载和保存张量

import torch
from torch import nn
from torch.nn import functional as F

x=torch.arange(4)
torch.save(x, 'x-files')

x2=torch.load('x-files')
x2

tensor([0, 1, 2, 3])

存储一个张量列表，然后把它们读回内存

y=torch.zeros(4)
torch.save([x,y],'x-files')
x2,y2=torch.load('x-files')
(x2,y2)

(tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.]))

写入或读取从字符串映射到张量的字典

mydict={'x':x, 'y':y}
torch.save(mydict,'mydict')
mydict2=torch.load('mydict')
mydict2

{'x': tensor([0, 1, 2, 3]), 'y': tensor([0., 0., 0., 0.])}

加载和保存模型参数

class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.hidden=nn.Linear(20,256)
        self.output=nn.Linear(256,10)
        
    def forward(self,x):
        return self.output(F.relu(self.hidden(x)))
    
net=MLP()
X=torch.randn(size=(2,20))
Y=net(X)

将模型的参数存储在“mlp.params”文件

torch.save(net.state_dict(),'mlp.params')  # 整个mlp参数存在字典

实例化了原始多层感知机模型的一个备份。直接读取文件中存储的参数

clone=MLP()  # 必写
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()

MLP(
  (hidden): Linear(in_features=20, out_features=256, bias=True)
  (output): Linear(in_features=256, out_features=10, bias=True)
)

Y_clone=clone(X)
Y_clone==Y

tensor([[True, True, True, True, True, True, True, True, True, True],
        [True, True, True, True, True, True, True, True, True, True]])