pytorch入门 —— 类编程的说明Model(nn.Module)

木寒知秋

已于 2023-07-23 18:24:26 修改

阅读量122

点赞数 1

分类专栏： pytorch框架文章标签： pytorch 人工智能 python 深度学习

于 2023-07-23 18:19:45 首次发布

本文链接：https://blog.csdn.net/asdfgghjyyr/article/details/131881018

版权

pytorch框架专栏收录该内容

1 篇文章 0 订阅

订阅专栏

很多同学在深度学习入门时，面向对象编程不熟练，相关调用不好理解，所以这里详细介绍一下pytorch中的相关用法
这里只是举例说明，便于快速入门深度学习，具体面向对象编程还需自行细致学习
有不恰当处请指出

1. 一段简单的类实例化定义

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

    def say_hello(self):
        print(f"Hello, my name is {self.name} and I am {self.age} years old.")

# 创建一个 Person 类的实例对象
person = Person("Alice", 30)

# 调用实例对象的方法
person.say_hello()

1.1 实例解释

定义了一个名为 Person 的类，并在其 _ init_ 方法中初始化了 name 和 age 属性。
_ init _: 这是一个特殊的方法名，表示构造方法。（它是一个特殊的函数，每当实例化该类的新对象时都会调用它，可以将其视为 initialize 方法，即对象初始化方法）
self: 这是 _ init_ 方法必须设置的第一个参数，用于传递实例对象自身的引用。在方法中，可以通过 self 来访问实例的属性和调用其他方法。
name 和 age: 这是 _ init_ 方法的两个参数。它们用于接收在创建类的实例对象时传入的参数。在这个例子中，name 和 age 分别用于初始化类的 name 属性和 age 属性。
然后创建 Person 类的实例对象 person 时，会调用 _ init_ 方法并传递 “Alice” 和 30 作为参数，从而初始化实例对象的 name 和 age 属性。
当创建 Person 类的实例对象 person 并调用 say_hello() 方法时，self 会自动指向 person 实例对象，因此方法中的属性访问会获取到正确的属性值。
print中使用了Python 格式化字符串的方法 f-string。在字符串中的花括号 { } 内部，self.name 和 self.age 是实例对象的属性，它们会被求值并插入到字符串中的相应位置。

1.2 构造方法介绍

构造方法是面向对象编程中的一个特殊方法，它用于在创建类的实例对象时进行初始化操作。在 Python 中，构造方法的特殊名称是 _ init_。

构造方法通常用于初始化类的属性或执行其他必要的初始化操作。当创建类的实例对象时，Python 会自动调用构造方法，并将实例对象自身（通常用 self 表示）以及传入的参数作为参数传递给构造方法。

2. 深度学习常用 Model类的简单定义

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

class Model(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(Model, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.fc2 = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

2.1 网络结构

在这个简单的神经网络模型中，我们定义了一个名为 Model 的类，它继承自 nn.Module。该模型包含两个全连接层（线性层），一个隐藏层和一个输出层。
构造方法 _ init_ 接收三个参数：input_size、hidden_size 和 output_size，分别表示输入层的特征数、隐藏层的神经元数和输出层的特征数。
在前向传播方法 forward 中，我们使用 F.relu 函数对输入数据进行 ReLU 激活函数操作，并通过两个全连接层进行线性变换。其中，self.fc1 表示第一个全连接层，self.fc2 表示第二个全连接层。

2.2 super( ) 函数

调用方法:

super(子类, self).父类方法(参数)

该函数是 Python 中的一个内置函数，用于调用父类的方法。在面向对象编程中，子类可以继承父类的属性和方法，但有时候我们需要在子类中重写父类的方法，并在子类的方法中调用父类的方法。这时就可以使用 super() 函数来实现这个目的。
```
class Parent:
    def __init__(self, name):
        self.name = name

class Child(Parent):
    def __init__(self, name, age):
        super().__init__(name)  # 调用父类的构造方法
        self.age = age

child = Child("Alice", 30)
print(child.name)  # 输出: Alice
print(child.age)   # 输出: 30
```
在上面的代码中，我们定义了一个父类 Parent 和一个子类 Child。在子类的构造方法中，我们使用 super()._ init_(name) 调用父类的构造方法，从而初始化父类的属性 name，并在子类中添加额外的属性 age。通过这样的调用，我们保证了子类 Child 能够正确地继承父类 Parent 的属性和特性。
所以在model类的代码中，super(Model, self)._ init_() 是在子类 Model 的构造方法中调用父类 nn.Module 的构造方法。
在使用 super() 函数时，我们传递两个参数：子类的名称（Model）和 self。super(Model, self) 表示调用 Model 类的父类的构造方法。这样，我们在子类中定义的 _ init_() 方法就能继承父类 nn.Module 的构造方法，并确保模型类正确初始化，获得 nn.Module 的功能。

2.3 forward 函数

forward 方法是 PyTorch 中 nn.Module 类的一个重要方法，它定义了模型的前向传播过程。
在这个方法中，输入 x 是一个张量，表示输入数据。这个方法通过神经网络的层进行一系列的操作，并生成输出特征 x。
张量介绍：
张量是一个x变量中有多个元素 $x_{i} 其中 i = 1,2,3...$
标量即 $i = 1$ 时
在实际使用中，通常会使用 Model(input_data) 来调用 forward 方法，因为 nn.Module 类中已经定义了 _ call_ 方法，使得我们可以直接通过 Model(input_data) 调用 forward 方法，无需显式调用。
代码过程：
使用第一个全连接层 self.fc1 对输入 x 进行线性变换，并通过 ReLU 激活函数 F.relu() 进行非线性激活，得到激活后的输出 x。
使用第二个全连接层 self.fc2 对激活后的输出 x 进行线性变换，得到最终的输出特征 x。
在神经网络的前向传播过程中，输入数据通过一层一层的线性变换和非线性激活，逐渐得到高级的特征表示，最终得到输出结果。这个过程中，forward 方法定义了数据的流动路径，决定了神经网络的计算过程。