PyTorch–神经网络工具箱nn
autograd实现了自动微分系统,然而对于深度学习来说过于底层,,我们介绍的nn模块,构建与autograd之上的神经网络模块。除了nn之外,我们还会介绍神经网络中常用的工具,比如优化器optim,初始化init等
一.nn.Module
使用autograd
可实现深度学习模型,但其抽象程度较低,如果用其来实现深度学习模型,则需要编写的代码量极大。torch.nn
的核心数据结构是Module
,它是一个抽象的概念,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。下面先来看看如何用nn.Module
实现自己的全连接层。全连接层,又名仿射层,输出y和输入x满足y=wx+b,w和b是可学习的参数
import torch as t
from torch import nn
from torch.autograd import Variable
class Linear(nn.Module): #继承nn.Module
def __init__(self,in_features,out_features):
super(Linear,self).__init__() # 等价于nn.Module.__init__(self)
self.w=nn.Parameter(t.randn(in_features,out_features))
self.b=nn.Parameter(t.randn(out_features))
def forward(self,x):
x=x.mm(self.w)
return x+self.b.expand_as(x)
layer=Linear(4,3)
input=Variable(t.randn(2,4))
output=layer(input)
output
tensor([[-2.7252, 2.2209, 2.9252],
[-2.4115, 1.3267, -0.5038]], grad_fn=<AddBackward0>)
for name,parameter in layer.named_parameters():
print(name,parameter) # w and b
w Parameter containing:
tensor([[ 0.3215, 1.5701, -0.6961],
[-1.4446, 0.4648, 0.9369],
[ 1.5280, -2.4517, -1.5524],
[ 2.0005, 0.1092, -0.5211]], requires_grad=True)
b Parameter containing:
tensor([-0.1509, 0.6525, -0.8059], requires_grad=True)
可见,全连接层的实现非常简单,其代码量不超过10行,但需注意以下几点:
- 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).initinit**(self) - 在构造函数init中必须自己定义可学习的参数,并封装成
Parameter
,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),感兴趣的可以通过nn.Parameter??查看Parameter类的源代码 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- 无须写反向传播函数,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,这一点比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)。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附上名字,使其更具有辨识度
可见利用Module实现全连接层,比利用Function实现的更简单,因其不再需要写反向传播函数
Module能够自动检测到自己的parameter,并将其作为学习参数。除了parameter,Module还包含了Module,主Module能够递归查找子Module中的parameter
下面介绍稍微复杂一点的网络:多层感知机,它由两个全连接层组成,采用sigmoid函数作为激活函数
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)
perceptron=Perceptron(3,4,1)
for name,param in perceptron.named_parameters():
print(name,param.size())
layer1.w torch.Size([3, 4])
layer1.b torch.Size([4])
layer2.w torch.Size([4, 1])
layer2.b torch.Size([1])
可见,即使是稍微复杂的多层感知机,其实现依旧很简单。这里需要注意以下两个知识点:
- 构造函数init中,可利用前面自定义的Linear层(module)作为当前module对象的一个字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为x,是为了能让python回收一些中间层的输出,从而节省内存
module中parameter的全局命名规范如下:
- Parameter直接命名。例如self.param_name=nn.Parameter(t.randn(3,4)),命名为param_name
- 子module中的parameter,会在其名字之前加上当前module的名字。例如self.sub_module=SubModel(),SubModel中有个parameter的名字也叫做param_name,那么二者拼接而成的parameter name就是sub_module.param_name
二.常用的神经网络层
1.图像相关层
图像相关层主要包括卷积层(Conv),池化层(Pool)等,这些层在实际使用中可分为一维,二维和三维,池化方式又分为平均池化(AvgPool),最大值池化(MaxPool),自适应池化(AdaptiveAvg)等。卷积层除了常用的前向卷积外,还有逆卷积(TransposeConv)
from PIL import Image
from torchvision.transforms import ToTensor,ToPILImage
# img-->tensor
to_tensor=ToTensor()
to_pil=ToPILImage()
lena=Image.open("lena.png")
lena
# 输入是一个batch,batch_size=1
input=to_tensor(lena).unsqueeze(0)
# 锐化卷积核
kernel=t.ones(3,3)/-9
kernel[1][1]=1
conv=nn.Conv2d(1,1,(3,3),1,bias=False)
conv.weight.data=kernel.view(1,1,3,3)
out=conv(Variable(input))
to_pil(out.data.squeeze(0))
池化层可以看作是一种特殊的卷积层,用来下采样。但池化层没有可学习参数,其weight是固定的
pool=nn.AvgPool2d(2,2)
list(pool.parameters())
[]
out=pool(Variable(input))
to_pil(out.data.squeeze(0))
除了卷积层和池化层,深度学习中还将常用到以下几个层:
- Linear:全连接层
- BatchNorm:批规范化层,分为1D,2D和3D。除了标准的BatchNorm之外,还有在风格迁移中常用到的InstanceNorm层
- Dropout:dropout层,用来防止过拟合,同样分为1D,2D和3D
# 输入batch_size=2,维度3
input=Variable(t.randn(2,3))
linear=nn.Linear(3,4)
h=linear(input)
h
tensor([[-0.1191, 0.5352, 0.0143, 0.1879],
[ 0.4257, -0.5105, 0.9855, 0.5849]], grad_fn=<AddmmBackward>)
# 4channel,初始化标准差为4,均值为0
bn=nn.BatchNorm1d(4)
bn.weight.data=t.ones(4)*4
bn.bias.data=t.zeros(4)
bn_out=bn(h)
# 注意输出的均值和方差,方差是标准差的平方,计算无偏方差分母会减1.使用unbiased=False,分母不减1
bn_out.mean(0),bn_out.var(0,unbiased=False)
(tensor([2.3842e-07, 0.0000e+00, 0.0000e+00, 0.0000e+00],
grad_fn=<MeanBackward0>),
tensor([15.9978, 15.9994, 15.9993, 15.9959], grad_fn=<VarBackward1>))
# 每个元素以0.5的概率舍弃
dropout=nn.Dropout(0.5)
o=dropout(bn_out)
# 有一半左右的数变为0
o
tensor([[-7.9995, 7.9999, -7.9998, -0.0000],
[ 7.9995, -0.0000, 0.0000, 7.9990]], grad_fn=<MulBackward0>)
2.激活函数
PyTorch实现了常见的激活函数,其具体的接口信息可参见官方文档,这些激活函数可作为独立的layer使用。这里将介绍最常用的激活函数ReLU,其数学表达式为:ReLU(x)=max(0,x)
relu=nn.ReLU(inplace=True)
input=Variable(t.randn(2,3))
print(input)
output=relu(input)
print(output)
tensor([[-1.2364, 0.7066, -1.6862],
[ 0.4065, -1.3256, 0.7882]])
tensor([[0.0000, 0.7066, 0.0000],
[0.4065, 0.0000, 0.7882]])
ReLU函数有个inplace参数,如果设为True,它会把输出直接覆盖到输入中,这样可以节省内存/显存。之所以可以覆盖是因为在计算ReLU的反向传播时,只需根据输出就能推算出反向传播的梯度。但是只有少数的autograd操作支持inplace操作(如variable.sigmoid()),除非你明确地知道自己在做什么,否则一般不要使用inplace操作
每一层的输出直接作为下一层的输入,这种网络称为前馈传播网络(Feedforward Neural Network),对于此类网络,如果每次都写复杂的forward函数会有些麻烦,在此就有两种简化方式:ModuleList
和Sequential
。其中Sequential
是一个特殊的Module,它包含几个子Module,前向传播时会将输入一层接一层地传递下去。ModuleList
也是一个特殊的Module,可以包含几个子module,可以像用list一样使用它,但不能直接把输入传给ModuleList
# Sequential的三种写法
net1=nn.Sequential()
net1.add_module('conv',nn.Conv2d(3,3,3))
net1.add_module('batchnorm',nn.BatchNorm2d(3))
net1.add_module('activation_layer',nn.ReLU())
net2=nn.Sequential(
nn.Conv2d(3,3,3),
nn.BatchNorm2d(3),
nn.ReLU()
)
from collections import OrderedDict
net3=nn.Sequential(OrderedDict(
[
('conv1',nn.Conv2d(3,3,3)),
('bn1',nn.BatchNorm2d(3)),
('relu1',nn.ReLU())
]
))
print("net1:",net1)
print("net2:",net2)
print("net3:",net3)
net1: Sequential(
(conv): Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
(batchnorm): BatchNorm2d(3, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(activation_layer): ReLU()
)
net2: Sequential(
(0): Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
(1): BatchNorm2d(3, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(2): ReLU()
)
net3: Sequential(
(conv1): Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
(bn1): BatchNorm2d(3, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(relu1): ReLU()
)
# 可根据名字或序列号取出子module
net1.conv,net2[0],net3.conv1
(Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1)),
Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1)),
Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1)))
input=Variable(t.rand(1,3,4,4))
output=net1(input)
output=net2(input)
output=net3(input)
output=net3.relu1(net1.batchnorm(net1.conv(input)))
modellist=nn.ModuleList([nn.Linear(3,4),nn.ReLU(),nn.Linear(4,2)])
input=Variable(t.randn(1,3))
for model in modellist:
input=model(input)
# 下面会报错,因为modellist没有实现forward方法
output=modellist(input)
---------------------------------------------------------------------------
NotImplementedError Traceback (most recent call last)
<ipython-input-30-25283a225f74> in <module>
6
7 # 下面会报错,因为modellist没有实现forward方法
----> 8 output=modellist(input)
E:\Anaconda\lib\site-packages\torch\nn\modules\module.py in __call__(self, *input, **kwargs)
487 result = self._slow_forward(*input, **kwargs)
488 else:
--> 489 result = self.forward(*input, **kwargs)
490 for hook in self._forward_hooks.values():
491 hook_result = hook(self, input, result)
E:\Anaconda\lib\site-packages\torch\nn\modules\module.py in forward(self, *input)
83 registered hooks while the latter silently ignores them.
84 """
---> 85 raise NotImplementedError
86
87 def register_buffer(self, name, tensor):
NotImplementedError:
ModuleList是Module的子类,当在Module中使用时它时,就能自动识别为子module。因此不直接使用python中自带的list
class MyModule(nn.Module):
def __init__(self):
super(MyModule,self).__init__()
self.list=[nn.Linear(3,4),nn.ReLU()]
self.module_list=nn.ModuleList([nn.Conv2d(3,3,3),nn.ReLU()])
def forward(self):
pass
model=MyModule()
model
MyModule(
(module_list): ModuleList(
(0): Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
(1): ReLU()
)
)
for name,param in model.named_parameters():
print(name,param.size())
module_list.0.weight torch.Size([3, 3, 3, 3])
module_list.0.bias torch.Size([3])
可见,list中的子module并不能被主module识别,而ModuleList中的子module能够被主module识别。这意味着如果用list保存子module,将无法调整其参数,因其未加入到主module的参数中
3.循环神经网络
PyTorch中实现最常用的三种RNN:RNN(vanilla RNN),LSTM和GRU。此外还有对应的三种RNNCell
RNN和RNNCell层的区别在于前者能够处理整个序列,而后者一次只能处理序列中一个时间点的数据,前者封装更完备更易于使用,后者更具灵活性。RNN层可以通过组合调用RNNCell来实现
关于RNN的基础知识,推荐阅读colah的文章入门
t.manual_seed(1000)
# 输入:batch_size=3,序列长度都为2,序列中每个元素占4维
input=Variable(t.randn(2,3,4))
# lstm输入向量4维,3个隐藏元,1层
lstm=nn.LSTM(4,3,1)
# 初始状态:1层,batch_size=3,3个隐藏元
h0=Variable(t.randn(1,3,3))
c0=Variable(t.randn(1,3,3))
out,hn=lstm(input,(h0,c0))
out
tensor([[[-0.3610, -0.1643, 0.1631],
[-0.0613, -0.4937, -0.1642],
[ 0.5080, -0.4175, 0.2502]],
[[-0.0703, -0.0393, -0.0429],
[ 0.2085, -0.3005, -0.2686],
[ 0.1482, -0.4728, 0.1425]]], grad_fn=<StackBackward>)
t.manual_seed(1000)
input=Variable(t.randn(2,3,4))
# 一个LSTMCell对应的层数只能是一层
lstm=nn.LSTMCell(4,3)
hx=Variable(t.randn(3,3))
cx=Variable(t.randn(3,3))
out=[]
for i_ in input:
hx,cx=lstm(i_,(hx,cx))
out.append(hx)
t.stack(out)
tensor([[[-0.3610, -0.1643, 0.1631],
[-0.0613, -0.4937, -0.1642],
[ 0.5080, -0.4175, 0.2502]],
[[-0.0703, -0.0393, -0.0429],
[ 0.2085, -0.3005, -0.2686],
[ 0.1482, -0.4728, 0.1425]]], grad_fn=<StackBackward>)
词向量在自然语言中应用十分广泛,PyTorch同样提供了Embedding层
# 有4个词,每个词用5维的向量表示
embedding=nn.Embedding(4,5)
# 可以用预训练好的词向量初始化embedding
embedding.weight.data=t.arange(0,20).view(4,5)
input=Variable(t.arange(3,0,-1)).long()
output=embedding(input)
output
tensor([[15, 16, 17, 18, 19],
[10, 11, 12, 13, 14],
[ 5, 6, 7, 8, 9]], grad_fn=<EmbeddingBackward>)
4.损失函数
在深度学习中要用到各种各样的损失函数(Loss Function),这些损失函数可看作是一种特殊的layer,PyTorch也将这些损失函数实现为nn.Module的子类。详细的loss使用请参考官方文档
# batch_size=3,计算对应的每个类别的分数(只有两个类别)
score=Variable(t.randn(3,2))
# 三个样本分别属于1,0,1类,label必须是LongTensor
label=Variable(t.Tensor([1,0,1])).long()
# loss与普通的layer无差异
criterion=nn.CrossEntropyLoss()
loss=criterion(score,label)
loss
tensor(0.5944)
三.优化器
PyTorch将深度学习中常用的优化方法全部封装在torch.optim中,其设计十分灵活,能够很方便地扩展成自定义的优化方法
所有的优化方法都是继承基类optim.Optimizer,并实现了自己的优化步骤。下面就以最基本的优化方法–随机梯度下降法(SGD)举例说明。这里需要重点掌握:
- 优化方法的基本使用方法
- 如何对模型的不同部分设置不同的学习率
- 如何调整学习率
# 首先定义一个LeNet网络
class Net(nn.Module):
def __init__(self):
super(Net,self).__init__()
self.features=nn.Sequential(
nn.Conv2d(3,6,5),
nn.ReLU(),
nn.MaxPool2d(2,2),
nn.Conv2d(6,16,5),
nn.ReLU(),
nn.MaxPool2d(2,2)
)
self.classifier=nn.Sequential(
nn.Linear(16*5*5,120),
nn.ReLU(),
nn.Linear(120,84),
nn.ReLU(),
nn.Linear(84,10)
)
def forward(self,x):
x=self.features(x)
x=x.view(-1,16*5*5)
x=self.classifier(x)
return x
net=Net()
from torch import optim
optimizer=optim.SGD(params=net.parameters(),lr=1)
# 梯度清零,等价于net.zero_grad()
optimizer.zero_grad()
input=Variable(t.randn(1,3,32,32))
output=net(input)
# fake backward
output.backward(output)
# 执行优化
optimizer.step()
# 为不同子网络设置不同的学习率,在finetune中经常用到
# 如果对某个参数不指定学习率,就使用默认学习率
optimizer=optim.SGD([
{'params':net.features.parameters()},# 学习率为1e-5
{'params':net.classifier.parameters(),'lr':1e-2}
],lr=1e-5)
# 只为两个全连接层设置较大的学习率,其余层的学习率较小
special_layers=nn.ModuleList([net.classifier[0],net.classifier[3]])
special_layers_params=list(map(id,special_layers.parameters()))
base_params=filter(lambda p:id(p) not in special_layers_params,net.parameters())
optimizer=t.optim.SGD([
{'params':base_params},
{'params':special_layers.parameters(),'lr':0.01}
],lr=0.001)
调整学习率主要有两种做法。一种是修改optimizer.param_group
中对应的学习率,另一种是新建优化器(更简单也是更推荐的做法),由于optimizer
十分轻量级,构建开销很小,故可以构建新的optimizer
。但是新建优化器会重新初始化动量等状态信息,这对使用动量的优化器来说(如带momentum的sgd),可能会造成损失函数在收敛过程中出现震荡
# 调整学习率,新建一个optimizer
old_lr=0.1
optimizer=optim.SGD([
{'params':net.features.parameters()},
{'params':net.classifier.parameters(),'lr':old_lr*0.1}
],lr=1e-5)
四.nn.functional
nn中的大多数layer在functional中都有一个与之相对应的函数。nn.functional
中的函数和nn.Module
的主要区别在于,用nn.Module
实现的layers是一个特殊的类,都是由class Layer(nn.Module)定义,会自动提取可学习的参数;而nn.functional中的函数更像是纯函数,由def function(input)定义。下面举例说明functional的使用,并对比二者的不同之处
input=Variable(t.randn(2,3))
model=nn.Linear(3,4)
output1=model(input)
output2=nn.functional.linear(input,model.weight,model.bias)
output1==output2
tensor([[1, 1, 1, 1],
[1, 1, 1, 1]], dtype=torch.uint8)
b=nn.functional.relu(input)
b2=nn.ReLU()(input)
b==b2
tensor([[1, 1, 1],
[1, 1, 1]], dtype=torch.uint8)
from torch.nn import functional as F
class Net(nn.Module):
def __init__(self):
super(Net,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(84,10)
def forward(self,x):
x=F.pool(F.relu(self.conv1(x)),2)
x=F.pool(F.relu(self.conv2(x)),2)
x=F.view(-1,16*5*5)
x=F.relu(self.fc1(x))
x=F.relu(self.fc2(x))
x=self.fc3(x)
return x
五.nn.Module深入分析
如果想要更深入地理解nn.Module
,研究其原理是很有必要的。首先来看看nn.Module
基类的构造函数:
def __init__(self):
self._parameters=OrderedDict()
self._modules=OrderedDict()
self._buffers=OrderedDict()
self._backward_hooks=OrderedDict()
self._forward_hooks=OrderedDict()
self.training=True
其中每个属性的解释如下:
- _parameters:字典。保存用户直接设置的parameter,self.param1=nn.Parameter(t.randn(3,3))会被检测到,在字典中加入一个key为param,value为对应parameter的item,而self.submodule=nn.Linear(3,4)中的parameter则不会存于此
- _modules:子module。通过self.submodel=nn.Linear(3,4)指定的子module会保存于此
- _buffers:缓存。如batchnorm使用momentum机制,每次前向传播需用到上一次前向传播的结果
- _backward_hooks与_forward_hooks:钩子技术,用来提取中间变量,类似variable的hook
- training:BatchNorm与Dropout层在训练阶段和测试阶段中采取的策略不同,通过判断training值决定前向传播策略
上述几个属性中,_parameters,_modules和_buffers这三个字典中的键值,都可以通过self.key方式获得,效果等价于self._parameters[‘key’]
class Net(nn.Module):
def __init__(self):
super(Net,self).__init__()
# 等价于self.register_parameter('param1',nn.Parameter(t.randn(3,3)))
self.param1=nn.Parameter(t.randn(3,3))
self.submodel1=nn.Linear(3,4)
def forward(self,input):
x=self.param1@input
x=self.submodel11(x)
return x
net=Net()
net
Net(
(submodel1): Linear(in_features=3, out_features=4, bias=True)
)
net._modules
OrderedDict([('submodel1', Linear(in_features=3, out_features=4, bias=True))])
net._parameters
OrderedDict([('param1', Parameter containing:
tensor([[-0.1781, 0.1541, -0.1629],
[ 0.2981, 0.7713, -1.9214],
[-0.6599, -1.1455, -0.0292]], requires_grad=True))])
net.param1 # 等价于 net._parameters['param1']
Parameter containing:
tensor([[-0.1781, 0.1541, -0.1629],
[ 0.2981, 0.7713, -1.9214],
[-0.6599, -1.1455, -0.0292]], requires_grad=True)
for name,param in net.named_parameters():
print(name,param.size())
param1 torch.Size([3, 3])
submodel1.weight torch.Size([4, 3])
submodel1.bias torch.Size([4])
for name,submodel in net.named_modules():
print(name,submodel)
Net(
(submodel1): Linear(in_features=3, out_features=4, bias=True)
)
submodel1 Linear(in_features=3, out_features=4, bias=True)
bn=nn.BatchNorm1d(2)
input=Variable(t.rand(3,2),requires_grad=True)
output=bn(input)
bn._buffers
OrderedDict([('running_mean', tensor([0.0326, 0.0703])),
('running_var', tensor([0.9075, 0.9006])),
('num_batches_tracked', tensor(1))])
六.搭建ResNet
from torch import nn
import torch as t
from torch.nn import functional as F
class ResidualBlock(nn.Module):
'''
实现子module: Residual Block
'''
def __init__(self, inchannel, outchannel, stride=1, shortcut=None):
super(ResidualBlock, self).__init__()
self.left = nn.Sequential(
nn.Conv2d(inchannel,outchannel,3,stride, 1,bias=False),
nn.BatchNorm2d(outchannel),
nn.ReLU(inplace=True),
nn.Conv2d(outchannel,outchannel,3,1,1,bias=False),
nn.BatchNorm2d(outchannel) )
self.right = shortcut
def forward(self, x):
out = self.left(x)
residual = x if self.right is None else self.right(x)
out += residual
return F.relu(out)
class ResNet(nn.Module):
'''
实现主module:ResNet34
ResNet34 包含多个layer,每个layer又包含多个residual block
用子module来实现residual block,用_make_layer函数来实现layer
'''
def __init__(self, num_classes=1000):
super(ResNet, self).__init__()
# 前几层图像转换
self.pre = nn.Sequential(
nn.Conv2d(3, 64, 7, 2, 3, bias=False),
nn.BatchNorm2d(64),
nn.ReLU(inplace=True),
nn.MaxPool2d(3, 2, 1))
# 重复的layer,分别有3,4,6,3个residual block
self.layer1 = self._make_layer( 64, 64, 3)
self.layer2 = self._make_layer( 64, 128, 4, stride=2)
self.layer3 = self._make_layer( 128, 256, 6, stride=2)
self.layer4 = self._make_layer( 256, 512, 3, stride=2)
#分类用的全连接
self.fc = nn.Linear(512, num_classes)
def _make_layer(self, inchannel, outchannel, block_num, stride=1):
'''
构建layer,包含多个residual block
'''
shortcut = nn.Sequential(
nn.Conv2d(inchannel,outchannel,1,stride, bias=False),
nn.BatchNorm2d(outchannel))
layers = []
layers.append(ResidualBlock(inchannel, outchannel, stride, shortcut))
for i in range(1, block_num):
layers.append(ResidualBlock(outchannel, outchannel))
return nn.Sequential(*layers)
def forward(self, x):
x = self.pre(x)
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
x = F.avg_pool2d(x, 7)
x = x.view(x.size(0), -1)
return self.fc(x)
model = ResNet()
input = t.randn(1, 3, 224, 224)
o = model(input)
感兴趣的读者可以尝试实现Google的Inception网络结构或ResNet的其它变体,看看如何能够简洁明了地实现它,实现代码尽量控制在80行以内(本例去掉空行和注释总共不超过50行)。另外,与PyTorch配套的图像工具包torchvision已经实现了深度学习中大多数经典的模型,其中就包括ResNet34,读者可以通过下面两行代码使用:
from torchvision import models
model = models.resnet34()