Pytorch模型训练(1) - 模型定义

最新推荐文章于 2024-03-02 14:38:18 发布

Godswisdom

最新推荐文章于 2024-03-02 14:38:18 发布

阅读量1.4w

点赞数 21

分类专栏： 2D Pose Pytorch Python 源码解析文章标签： Pytorch Python CPN 源码解析

本文链接：https://blog.csdn.net/u011681952/article/details/86573519

版权

Pytorch 同时被 3 个专栏收录

12 篇文章 2 订阅

订阅专栏

Python

10 篇文章 5 订阅

订阅专栏

源码解析

7 篇文章 8 订阅

订阅专栏

《模型定义》

本系列来总结Pytorch训练中的模型结构一些内容，包括模型的定义，模型参数化初始化方法，模型的保存与加载等

0 博客目录

Pytorch模型训练(0) - CPN源码解析
 Pytorch模型训练(1) - 模型定义
 Pytorch模型训练(2) - 模型初始化
 Pytorch模型训练(3) - 模型保存与加载
 Pytorch模型训练(4) - Loss Function
Pytorch模型训练(5) - Optimizer
Pytorch模型训练(6) - 数据加载

1 模型定义–三要素

1.1 Pytorch模型的定义都需要继承nn.module这个类

读者可以在Pytorch源码下/torch/nn/modules/module.py中找到这个类的实现：

class Module(object):
    r"""Base class for all neural network modules.     所有神经网络模型的基类

    Your models should also subclass this class.    我们的模型需要继承这个类

    Modules can also contain other Modules, allowing to nest them in
    a tree structure. You can assign the submodules as regular attributes::
    模块中可以包含其他模型，并将他们嵌套在树结构中，我们可以将子模块指定为常规属性
    
        import torch.nn as nn
        import torch.nn.functional as F

        class Model(nn.Module):
            def __init__(self):
                super(Model, self).__init__()
                self.conv1 = nn.Conv2d(1, 20, 5)
                self.conv2 = nn.Conv2d(20, 20, 5)

            def forward(self, x):
               x = F.relu(self.conv1(x))
               return F.relu(self.conv2(x))

    Submodules assigned in this way will be registered, and will have their
    parameters converted too when you call :meth:`to`, etc.
    """
    。。。。。太长，省略

1.2 初始化组件：_ init _(self)

这个初始化函数，就是将我们需要的组件（如conv、pooling、Linear、BatchNorm等）全部进行初始化设置；
注意1：这里是参数初始化，也是组件注册，也就是说，我们设计的模型中将要用到那些层，这些层是什么，有什么操作，有什么参数，参数初始值等，如上面代码段中：

 def __init__(self):
      super(Model, self).__init__()
      self.conv1 = nn.Conv2d(1, 20, 5)
      self.conv2 = nn.Conv2d(20, 20, 5)

注意2：这里只负责创建组件，并不决定组件之间的关系；就像我们组装电脑，这里只负责将电脑需要的配件（GPU，CPU，主板，电源，内存等）找齐全，并没有进行组装
注意3：这里的组件摆放也是有一定顺序的，并不是杂乱无章，方便组装；还是拿组装电脑来说，这些配件摆放应该有一定的顺序或逻辑在，方便组装人员组装

1.3 组件组装：forward(self, x)

这个函数就将刚才的组件按照我们的模型结构组装成模型，这里决定这些组件之间的关系；就像组装电脑一样，CPU有它的位置，GPU也有它自己的位置，最终形成我们想要的电脑

def forward(self, x):
      x = F.relu(self.conv1(x))
      return F.relu(self.conv2(x))

2 模型定义–CPN实例

2.1 CPN结构

CPN模型结构如下：
在这里插入图片描述
首先找到pytorch-cpn源码，以256×192.model为例，打开 $t r a i n . p y$ **

from config import cfg     #cfg是一些参数初始化定义，如运行路径，学习率，输出个数，batch大小，数据路径等等
										#但在模型阶段需要关注几个参数：
										1）model = 'CPN50'
										2）output_shape = (64, 48)
										3）num_class = 17
from networks import network    #导入网络包

main函数中：
# create model
model = network.__dict__[cfg.model](cfg.output_shape, cfg.num_class, pretrained = True)   #构建模型
model = torch.nn.DataParallel(model).cuda()

model = network._ dict _ [cfg.model](cfg.output_shape, cfg.num_class, pretrained = True) 解析：

调用network模块中CPN50这个方法，构建输出输出为（64,48），个数为17，使用预训练参数的模型
network. _ dict _：是python对象记录该对象拥有属性和方法的一个内置属性，它是一个字典类型
在 $n e t w o r k . p y$ 中，有这么一句
```
 __all__ = ['CPN50', 'CPN101']
```

这玩意是python特性，就是指，该network模块只放出两个接口’CPN50’和’CPN101’；这有点像C/C++中，函数接口一样，模块中可能有很多属性和方法，但只放出这两个供外部使用

2.2 CPN50

def CPN50(out_size,num_class,pretrained=True):
    res50 = resnet50(pretrained=pretrained)        #先调用resnet50,构建一个res50模型
    model = CPN(res50, output_shape=out_size,num_class=num_class, pretrained=pretrained)  #再用CPN构建模型，res50为一个参数
    return model   #返回模型

这里就存在上文中，提到的模型中可以有嵌套的子模型，res50就是CPN一个子模型，而res50内部也有它的子模型；但无论怎么嵌套，每个子模型的生成都是按照模型三要素的套路构建的。

这里我们又分两步来看模型的构成，先看res50

2.2.1 res50

A）这里调用resnet50，我们先跳到 $r e s n e t . p y$

def resnet50(pretrained=False, **kwargs):
    """Constructs a ResNet-50 model.
    Args:
        pretrained (bool): If True, returns a model pre-trained on ImageNet
    """
    model = ResNet(Bottleneck, [3, 4, 6, 3], **kwargs)     #先用ResNet类构建模型，注意这里参数有个Bottleneck
    if pretrained:  #若使用预训练模型，则初始化model参数（这里有模型加载内容，先跳过）
	       print('Initialize with pre-trained ResNet')
	        from collections import OrderedDict
	        state_dict = model.state_dict()
	        pretrained_state_dict = model_zoo.load_url(model_urls['resnet50'])
	        for k, v in pretrained_state_dict.items():
	            if k not in state_dict:
	                continue
	            state_dict[k] = v
	        print('successfully load '+str(len(state_dict.keys()))+' keys')
	        model.load_state_dict(state_dict)
    return model

B）再来看看ResNet这个类，怎么构建res50的

class ResNet(nn.Module):   #三要素1：继承nn.Module

    def __init__(self, block, layers, num_classes=1000):  #三要素2：初始化组件
        self.inplanes = 64
        super(ResNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,
                               bias=False)
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        self.layer1 = self._make_layer(block, 64, layers[0])
        self.layer2 = self._make_layer(block, 128, layers[1], stride=2)
        self.layer3 = self._make_layer(block, 256, layers[2], stride=2)
        self.layer4 = self._make_layer(block, 512, layers[3], stride=2)

        for m in self.modules():   #参数初始化
            if isinstance(m, nn.Conv2d):
                n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
                m.weight.data.normal_(0, math.sqrt(2. / n))
            elif isinstance(m, nn.BatchNorm2d):
                m.weight.data.fill_(1)
                m.bias.data.zero_()

    def _make_layer(self, block, planes, blocks, stride=1):
        downsample = None
        if stride != 1 or self.inplanes != planes * block.expansion:
            downsample = nn.Sequential(
                nn.Conv2d(self.inplanes, planes * block.expansion,
                          kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(planes * block.expansion),
            )

        layers = []
        layers.append(block(self.inplanes, planes, stride, downsample))
        self.inplanes = planes * block.expansion
        for i in range(1, blocks):
            layers.append(block(self.inplanes, planes))

        return nn.Sequential(*layers)

    def forward(self, x):  #三要素3：组件组装
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)

        x1 = self.layer1(x)
        x2 = self.layer2(x1)
        x3 = self.layer3(x2)
        x4 = self.layer4(x3)

        return [x4, x3, x2, x1]

这里初始化时，传入了参数：Bottleneck，它又是一个子模块；它的构建也类似，也是三要素原则，就不粘贴了；也就是说Bottleneck由某些层构成，res50由Bottleneck和部分层构成

再回到CPN50，来看CPN构建后面模型

2.2.2 cpn

class CPN(nn.Module): #三要素1：继承nn.Module
    def __init__(self, resnet, output_shape, num_class, pretrained=True): #三要素2：初始化组件
        super(CPN, self).__init__()
        channel_settings = [2048, 1024, 512, 256]                                  #参数设置
        self.resnet = resnet                                                       #将刚才构建的res50传过来   resnet
        self.global_net = globalNet(channel_settings, output_shape, num_class)     #构建global_net
        self.refine_net = refineNet(channel_settings[-1], output_shape, num_class) #构建refine_net

    def forward(self, x):#三要素3：组件组装
        res_out = self.resnet(x)                             #x作为resnet的输入，经resnet，输出res_out
        global_fms, global_outs = self.global_net(res_out)   #将res_out作为global_net的输入，并输出global_fms, global_outs
        refine_out = self.refine_net(global_fms)             #将global_fms作为refine_net的输入，并输出refine_out

        return global_outs, refine_out                       #返回global_outs, refine_out

这里将继续调用globalNet和refineNet两个类分别构建子模块global_net，refine_net；我这就不粘贴出来了，总之他们的逻辑都是三要素原则；
至于其中的具体用到什么层，怎样设计参数，这就是我们模型设计的事，这里只是按照模型设计用python代码，调用pytorch封装好的实现函数，翻译出来。

至此，我们的模型就构建完成了。

3 模型定义–细节补充

1）模型类中存在其他函数
如ResNet类中的_make_layer，其他类中也可能有
A）它们是以一个下划线开头命名：表示它是一个受保护的方法，在本类或子类中可访问（当然python中没有绝对安全属性，不像C++）
B）它们常常是组件初始化的一种代码提炼

2）nn.Sequential
它也继承自Module类，它是一个顺序容器，见torch源码/torch/nn/modules/container.py；在模型构建时，它会将组件按照一定顺序保存起来；
在其中，组件内部（有些组件可能不是单个层）只有顺序关系，没有链接关系；比如一个bottleneck，对Resnet来说它是一个组件，它内部又有多个层（组件），这些层之间在Sequential里有顺序关系，但他们的链接关系是在bottleneck类的forward中实现的
组件之间的链接关系也在forward函数中确定

3）nn.ModuleList
它也继承自Module类，它是一个子模型容器，与python list类似，见torch源码/torch/nn/modules/container.py；
在模型构建中，常常用来存储整个Sequential容器，这些Sequential容器在ModuleList中，没有严格关系；比如CPN中的globalnet：

	self.laterals = nn.ModuleList(laterals)
    self.upsamples = nn.ModuleList(upsamples)
    self.predict = nn.ModuleList(predict)

将3个子模块存在ModuleList中，它们之间没有严格关系；当然这样存也是为了创建结构清晰：

 def forward(self, x):
    global_fms, global_outs = [], []
    for i in range(len(self.channel_settings)):
        if i == 0:
            feature = self.laterals[i](x[i])
        else:
            feature = self.laterals[i](x[i]) + up
        global_fms.append(feature)
        if i != len(self.channel_settings) - 1:
            up = self.upsamples[i](feature)
        feature = self.predict[i](feature)
        global_outs.append(feature)

    return global_fms, global_outs

Godswisdom

关注

21
点赞
踩
91

收藏

觉得还不错? 一键收藏
7
评论
Pytorch模型训练(1) - 模型定义

本文来总结Pytorch训练中的模型结构一些内容，包括模型的定义，模型参数化初始化方法，模型的保存与加载等1 模型定义–三要素 1）Pytorch模型的定义都需要继承nn.module这个类读者可以在Pytorch源码下/torch/nn/modules/module.py中找到这个类的实现：class Module(object): r&amp;amp;amp;amp;amp;amp;quot;&amp;amp;amp;amp;amp;amp;quot;&
复制链接

扫一扫