《动手深度学习》5.1层和块

最新推荐文章于 2024-05-21 19:52:24 发布

abccd女士

最新推荐文章于 2024-05-21 19:52:24 发布

阅读量125

点赞数

分类专栏：动手深度学习文章标签：深度学习 python pytorch

本文链接：https://blog.csdn.net/qq_43797820/article/details/127100984

版权

动手深度学习专栏收录该内容

20 篇文章 8 订阅

订阅专栏

5.1层和块

在本章中，我们将深入探索深度学习计算的关键组件，即模型构建、参数访问与初始化、设计自定义层和块、将模型读写到磁盘，以及利用GPU实现显著的加速。

块

基本概念

**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。
eg: 由多个层组合成块：
编程角度—块==类：块由类（class）表示。
它的任何子类都必须定义一个将其输入转换为输出的前向传播函数forward，并且必须存储任何必需的参数。
由于可以自动微分，所以backward过程可以省去。

构造自定义块

回顾多层感知机

回顾一下多层感知机代码：

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

net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))

X = torch.rand(2, 20)
net(X)

这里是通过实例化nn.Sequential来构建我们的模型，层的执行顺序是作为参数传递的。
- nn.Sequential定义了一种特殊的Module( Module是PyTorch中表示一个块的类，所有块都要继承它！)，它维护了一个由Module组成的有序列表。
- 这里的两个全连接层都是Linear类的实例， Linear类本身就是Module的子类。
- 到目前为止，我们一直在通过net(X)调用我们的模型来获得模型的输出。这实际上是net.__call__(X)的简写。
- 这个前向传播函数非常简单：它将列表中的每个块连接在一起，将每个块的输出作为下一个块的输入。

自定义块

每个块必须提供的基本功能：

将输入数据作为其前向传播函数的参数。
通过前向传播函数forward来生成输出。
计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。
存储和访问前向传播计算所需的参数。
根据需要初始化模型参数。

从零开始编写MLP块：
- 下面的MLP类继承了表示块的类nn.Module。
- 我们的实现只需要提供我们自己的构造函数（Python中的__init__函数）和前向传播函数。对于反向传播函数或参数初始化，系统将自动生成。

class MLP(nn.Module):
    # 用模型参数声明层。这里，我们声明两个全连接的层
    def __init__(self):
        # 调用MLP的父类Module的构造函数来执行必要的初始化。
        # 这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）
        super().__init__()
        self.hidden = nn.Linear(20, 256)  # 隐藏层
        self.out = nn.Linear(256, 10)  # 输出层

    # 定义模型的前向传播，即如何根据输入X返回所需的模型输出
    def forward(self, X):
        # 注意，这里我们使用ReLU的函数版本，其在nn.functional模块中定义。
        return self.out(F.relu(self.hidden(X)))

试一下：

net = MLP() #实例化MLP对象
net(X) #调用__call__()

块的一个主要优点是它的多功能性。
我们可以子类化块以创建层（如全连接层的类）、整个模型（如上面的MLP类）或具有中等复杂度的各种组件。

顺序块：Sequential类

自定义一个MySequential类，提供和默认Sequential类相同的功能。
- __init__函数接收args参数，将每个参数模块逐个添加到有序字典_modules中。
- 当MySequential的前向传播函数被调用时，每个添加的块都按照它们被添加的顺序执行。

class MySequential(nn.Module):
    def __init__(self, *args):
        super().__init__()
        for idx, module in enumerate(args):
            # 这里，module是Module子类的一个实例。我们把它保存在'Module'类的成员
            # 变量_modules中。_module的类型是OrderedDict
            self._modules[str(idx)] = module

    def forward(self, X):
        # OrderedDict保证了按照成员添加的顺序遍历它们
        for block in self._modules.values():
            X = block(X)
        return X

调用它来实现MLP:

net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
net(X)

在forward()中执行自定义计算&&混搭各种块

在forward()中执行自定义计算,而不是简单地依赖库函数:
- 在这个FixedHiddenMLP模型中，我们实现了一个隐藏层，其权重（self.rand_weight）在实例化时被随机初始化。这个权重不是一个模型参数，不会被反向传播更新，也就是说是一个不更新的常量。
- 可以看到，我们可以在forward中添加任何想要的计算。(当然本例中没有任何实际意义)

class FixedHiddenMLP(nn.Module):
    def __init__(self):
        super().__init__()
        # 不计算梯度的随机权重参数。因此其在训练期间保持不变
        self.rand_weight = torch.rand((20, 20), requires_grad=False)
        self.linear = nn.Linear(20, 20)

    def forward(self, X):
        X = self.linear(X)
        # 使用创建的常量参数以及relu和mm函数
        X = F.relu(torch.mm(X, self.rand_weight) + 1)
        # 复用全连接层。这相当于两个全连接层共享参数
        X = self.linear(X)
        # 控制流
        while X.abs().sum() > 1:
            X /= 2
        return X.sum()

net = FixedHiddenMLP()
net(X)

混搭各种块

只要它是nn.Module的子类，就可以大胆地进行嵌套调用

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)