【动手学深度学习】16.PyTorch 神经网络基础

1、层和块

为了实现这些复杂的网络，我们引入了神经网络块的概念。 块（block）可以描述单个层、由多个层组成的组件或整个模型本身。使用块进行抽象的一个好处是可以将一些块组合成更大的组件， 这一过程通常是递归的， 通过定义代码来按需生成任意复杂度的块， 我们可以通过简洁的代码实现复杂的神经网络。如下图所示：

2、参数管理

我们首先关注具有单隐藏层的多层感知机

net = nn.Sequential(nn.Linear(4,8),nn.ReLU,nn.Linear(8,1))

print(net[2].state_dict()) 

state_dict() 函数为一个参数字典如下所示
out:OrderedDict([(‘weight’, tensor([[ 0.0181, 0.0557, 0.0219, -0.3431, 0.1738, -0.0249, 0.1345, -0.2593]])), (‘bias’, tensor([-0.3221]))])

1.1输出目标网络的w和b:

print(net[2].bias.data)

1.2打印偏置值

1.3 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 {i}', block1())
    return net

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

net.add_module

1.4内置初始化

def init_normal(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, mean=0, std=0.01)
        nn.init.zeros_(m.bias)

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

对net里面每一个Layer执行该方法:

net.apply(init_normal)

返回各层中参数名称和数据。

print(*[model.named_parameters()

使用例子

print(
            "Init",
            *[(name, param.shape) for name, param in m.named_parameters()][0])

3、自定义层

3.1自定义一个层，并将该层添加到模型中：

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

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

out:tensor(4.6566e-10, grad_fn=< MeanBackward0 >)

3.2定义一个带参数的层

class MyLinear(nn.Module):
    def __init__(self, in_units, units):
        super().__init__()
        self.weight = nn.Parameter(torch.randn(in_units, units))
        self.bias = nn.Parameter(torch.randn(units,))

    def forward(self, X):
        linear = torch.matmul(X, self.weight.data) + self.bias.data
        return F.relu(linear)

linear = MyLinear(5, 3)
linear.weight

4、读写文件

4.1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-file')

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

4.2存储一个张量列表

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

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

4.3存储一个张量字典

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

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

4.4加载和保存模型参数

net = MLP()
X = torch.randn(size=(2, 20))
Y = net(X)
torch.save(net.state_dict(), 'mlp.params')

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()
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()