torch学习笔记3.3:实现自定义模块(gpu)

在使用torch时,如果想自己实现一个层,则可以按照《torch学习笔记1:实现自定义层》 中的方法来实现。但是如果想要实现一个比较复杂的网络,往往需要自己实现多个层(或类),并且有时可能需要重写其他模块中已有的函数来达到自己的目的,如果还是在nn模块中添加,会比较混乱,并且不利于本地git仓库统一管理,这个时候,我们可以自己实现一个像nn一样的模块,在代码中使用时 require即可。

我们来实现一个名为nxn的自定义模块,以及它的cuda版本cunxn模块,其中包含一个自定义的Hello类(lua实现),ReLU类(分别用CPU和GPU实现)。

由于篇幅原因,这里把torch自定义模块的lua实现,cpu实现,gpu实现分别写一篇文章,本文介绍cpu实现的ReLU类。

1 总目录结构和 2 使用说明 在 《torch学习笔记3.1:实现自定义模块(lua)》

3 文件说明

这里介绍的都是cunxn文件夹里面的。

CMakeLists.txt

可以参考torch自带模块来写,主要是cuda文件的编译和链接,需要注意的部分内容如下:

......
FIND_PACKAGE(CUDA 4.0 REQUIRED)

SET(src-cuda init.cu)

CUDA_ADD_LIBRARY(cunxn MODULE ${src-cuda})
TARGET_LINK_LIBRARIES(cunxn luaT THC TH)
IF(APPLE)
  SET_TARGET_PROPERTIES(cunxn PROPERTIES
    LINK_FLAGS "-undefined dynamic_lookup")
ENDIF()


### Torch packages supposes libraries prefix is "lib"
SET_TARGET_PROPERTIES(cunxn PROPERTIES
  PREFIX "lib"
  IMPORT_PREFIX "lib")

INSTALL(TARGETS cunxn
  RUNTIME DESTINATION "${Torch_INSTALL_LUA_CPATH_SUBDIR}"
  LIBRARY DESTINATION "${Torch_INSTALL_LUA_CPATH_SUBDIR
  • 3
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在 PyTorch 中,我们可以通过继承 `nn.Module` 类来实现定义模块。下面是一个简单的例子,展示了如何实现一个简单的全连接层模块。 ```python import torch.nn as nn class MyLinear(nn.Module): def __init__(self, input_size, output_size): super(MyLinear, self).__init__() self.weight = nn.Parameter(torch.Tensor(output_size, input_size)) self.bias = nn.Parameter(torch.Tensor(output_size)) nn.init.xavier_uniform_(self.weight) nn.init.zeros_(self.bias) def forward(self, x): x = x.view(x.size(0), -1) # 将输入数据展平,以适应全连接层 out = torch.mm(x, self.weight.t()) + self.bias return out ``` 在上述代码中,我们定义了一个名为 `MyLinear` 的自定义模块,该模块继承自 `nn.Module` 类。我们在 `__init__` 方法中定义模块的参数,包括权重和偏置,这些参数都是 `nn.Parameter` 类型,它们会自动被注册到模型参数列表中。我们还使用 `nn.init` 模块中的函数来初始化权重和偏置。在 `forward` 方法中,我们对输入数据进行展平操作,并使用 `torch.mm` 函数进行矩阵乘法运算,最后加上偏置即可。 使用自定义模块和内置模块的方式是一致的。例如,我们可以这样使用上述定义的自定义全连接层模块: ```python import torch # 创建一个 MyLinear 实例 linear = MyLinear(784, 10) # 随机生成一个大小为 (1, 784) 的张量 x = torch.randn(1, 784) # 使用自定义模块进行前向计算 out = linear(x) print(out.size()) # 输出:torch.Size([1, 10]) ``` 这里我们创建了一个输入大小为 784,输出大小为 10 的全连接层模块,并对一个大小为 (1, 784) 的随机输入数据进行前向计算,得到了大小为 (1, 10) 的输出。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值