层和块(深度学习计算)

最新推荐文章于 2024-09-13 20:43:54 发布

Gaolw1102

最新推荐文章于 2024-09-13 20:43:54 发布

阅读量414

点赞数 1

分类专栏：深度学习 # 动手学深度学习----学习笔记文章标签：深度学习人工智能神经网络

本文链接：https://blog.csdn.net/weixin_43479947/article/details/127150406

版权

深度学习同时被 2 个专栏收录

61 篇文章 18 订阅

订阅专栏

动手学深度学习----学习笔记

54 篇文章 15 订阅

订阅专栏

文章目录

- 层和块

层和块

之前首次介绍神经网络时，我们关注的是具有单一输出的线性模型。在这里，整个模型只有一个输出。注意，

$\begin{cases}（1）接受一些输入 \\ （2）生成相应的标量输出 \\ （3）具有一组相关参数（parameters）\end{cases}$

更新这些参数可以优化某目标函数。

然后，当考虑具有多个输出的网络时，我们利用矢量化算法来描述整层神经元。像单个神经元一样，此层

$\begin{cases}（1）接受一组输入 \\ （2）生成相应的输出 \\ （3）由一组可调整参数描述。\end{cases}$

当我们使用softmax回归时，一个单层本身就是模型。然而，即使我们随后引入了多层感知机，我们仍然可以认为该模型保留了上面所说的基本架构。

对于多层感知机而言，整个模型及其组成层都是这种架构。整个模型接受原始输入（特征），生成输出（预测），并包含一些参数（所有组成层的参数集合）。同样，每个单独的层接收输入（由前一层提供），生成输出（到下一层的输入），并且具有一组可调参数，这些参数根据从下一层反向传播的信号进行更新。

事实证明，研究讨论 “比单个层大” 但 “比整个模型小” 的组件更有价值。例如，在计算机视觉中广泛流行的ResNet-152架构就有数百层，这些层是由层组（groups of layers）的重复模式组成。这个ResNet架构赢得了2015年ImageNet和COCO计算机视觉比赛的识别和检测任务 [He et al., 2016a]。目前ResNet架构仍然是许多视觉任务的首选架构。在其他的领域，如自然语言处理和语音，层组以各种重复模式排列的类似架构现在也是普遍存在。

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，如下图所示。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。

在这里插入图片描述

从编程的角度来看，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，并且必须存储任何必需的参数。注意，有些块不需要任何参数。最后，为了计算梯度，块必须具有反向传播函数。在定义我们自己的块时，由于自动微分提供了一些后端实现，我们只需要考虑前向传播函数和必需的参数。

在构造自定义块之前，我们先回顾一下多层感知机的代码。

下面的代码生成一个网络，其中包含一个具有256个单元和ReLU激活函数的全连接隐藏层，然后是一个具有10个隐藏单元且不带激活函数的全连接输出层。

import torch                                          #引入torch
from torch import nn                                 #引入神经网络
from torch.nn import functional as F                 #引入神经网络中的函数

#定义神经网络模型，其中包含一个隐藏层，共有256个隐单元
net = nn.Sequential(nn.Linear(20,256), nn.ReLU(), nn.Linear(256,10))

#生成均匀分布的数值，其中torch.randn()生成的是标准正态分布
X = torch.rand(2, 20)
net(X)                                                #输出神经网络预测的值

tensor([[ 0.0294, -0.0472,  0.2127, -0.0699,  0.2484,  0.1598,  0.0426, -0.2851,
         -0.2245, -0.1830],
        [-0.0524, -0.1220,  0.2092,  0.0616,  0.2616,  0.1025, -0.1069, -0.3397,
         -0.2035, -0.1531]], grad_fn=<AddmmBackward0>)

在这个例子中，我们通过实例化nn.Sequential来构建我们的模型，层的执行顺序是作为参数传递的。简而言之，nn.Sequential定义了一种特殊的Module，即在PyTorch中表示一个块的类，它维护了一个由Module组成的有序列表。注意，两个全连接层都是Linear类的实例， Linear类本身就是Module的子类。另外，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

要想直观地了解块是如何工作的，最简单的方法就是自己实现一个。在实现我们自定义块之前，我们简要总结一下每个块必须提供的基本功能：

1、将输入数据作为其前向传播函数的参数。

2、通过前向传播函数来生成输出。请注意，输出的形状可能与输入的形状不同。
   例如，我们上面模型中的第一个全连接的层接收一个20维的输入，但是返回一个维度为256的输出。

3、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。

4、存储和访问前向传播计算所需的参数。

5、根据需要初始化模型参数。

在下面的代码片段中，我们从零开始编写一个块。它包含一个多层感知机，其具有256个隐藏单元的隐藏层和一个10维输出层。注意，下面的MLP类继承了表示块的类。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。

class MLP(nn.Module):
    
    #用模型参数声明层。这里，我们声明两个全连接层
    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，在类实例化也可以指定其它函数参数，例如模型参数params(稍后会介绍)
        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返回所需的模型参数
    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)))

我们首先看一下前向传播函数，它以X作为输入，计算带有激活函数的隐藏表示，并输出其未规范化的输出值。在这个MLP实现中，两个层都是实例变量。要了解这为什么是合理的，可以想象实例化两个多层感知机（net1和net2），并根据不同的数据对它们进行训练。当然，我们希望它们学到两种不同的模型。

接着我们实例化多层感知机的层，然后在每次调用前向传播函数时调用这些层。注意一些关键细节：首先，我们定制的__init__函数通过super().__init__() 调用父类的__init__函数，省去了重复编写模版代码的痛苦。然后，我们实例化两个全连接层，分别为self.hidden和self.out。注意，除非我们实现一个新的运算符，否则我们不必担心反向传播函数或参数初始化，系统将自动生成这些。

net = MLP()
net(X)

tensor([[ 0.3524, -0.0080,  0.0731,  0.1084,  0.0454,  0.1718,  0.0725, -0.3134,
          0.1652, -0.2138],
        [ 0.2220,  0.0433,  0.0600,  0.1555,  0.0924,  0.2730,  0.0395, -0.5403,
          0.2354, -0.2894]], grad_fn=<AddmmBackward0>)

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。我们在接下来的章节中充分利用了这种多功能性，比如在处理卷积神经网络时。

顺序块

现在我们可以更仔细地看看Sequential类是如何工作的，回想一下Sequential的设计是为了把其他模块串起来。为了构建我们自己的简化的MySequential，我们只需要定义两个关键函数：

1、一种将块逐个追加到列表中的函数。

2、一种前向传播函数，用于将输入按追加块的顺序传递给块组成的“链条”。

下面的MySequential类提供了与默认Sequential类相同的功能。

#定义顺序块，用以存储神经网络
class MySequential(nn.Module):
    
    #定义类的初始化函数
    def __init__(self, *args):
        super().__init__()                           #调用父类的初始化函数
        
        #通过循环不断地向顺序块中添加神经网络
        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
            
    #定义前向传播函数
    def forward(self, X):
        #OrderedDict保证了按照成员添加地顺序遍历它们
        for block in self._modules.values():
            X = block(X)                           #顺序地调用X进入神经网络
            
        return X

__init__函数将每个模块逐个添加到有序字典_modules中。你可能会好奇为什么每个Module都有一个_modules属性？以及为什么我们使用它而不是自己定义一个Python列表？简而言之，_modules的主要优点是： 在模块的参数初始化过程中，系统知道在_modules字典中查找需要初始化参数的子块。

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。现在可以使用我们的MySequential类重新实现多层感知机。

#实例化顺序块对象
net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))

net(X)

tensor([[-0.1506,  0.1624, -0.1427,  0.0080, -0.1948,  0.0842,  0.1825,  0.1821,
         -0.1700,  0.1438],
        [-0.1944,  0.1550, -0.1231,  0.0146, -0.1227, -0.0500,  0.2044,  0.1428,
         -0.2641, -0.0220]], grad_fn=<AddmmBackward0>)

请注意，MySequential的用法与之前为Sequential类编写的代码相同。

在前向传播函数中执行代码

Sequential类使模型构造变得简单，允许我们组合新的架构，而不必定义自己的类。然而，并不是所有的架构都是简单的顺序架构。当需要更强的灵活性时，我们需要定义自己的块。例如，我们可能希望在前向传播函数中执行Python的控制流。此外，我们可能希望执行任意的数学运算，而不是简单地依赖预定义的神经网络层。

到目前为止，我们网络中的所有操作都对网络的激活值及网络的参数起作用。

然而，有时我们可能希望合并既不是上一层的结果也不是可更新参数的项，我们称之为常数参数（constant parameter）。例如，我们需要一个计算函数 $f(x, w) = c \cdot w^Tx $ 的层，其中 $x$ 是输入， $w$ 是参数， $c$ 是某个在优化过程中没有更新的指定常量。因此我们实现了一个FixedHiddenMLP类，如下所示：

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。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()

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，之后为常量。这个权重不是一个模型参数，因此它永远不会被反向传播更新。然后，神经网络将这个固定层的输出通过一个全连接层。

注意，在返回输出之前，模型做了一些不寻常的事情：它运行了一个while循环，在 $L_1$ 范数大于 $1$ 的条件下，将输出向量除以 $2$ ，直到它满足条件为止。最后，模型返回了 $X$ 中所有项的和。注意，此操作可能不会常用于在任何实际任务中，我们只是向你展示如何将任意代码集成到神经网络计算的流程中。

net = FixedHiddenMLP()
X, net(X)

(tensor([[0.6002, 0.6970, 0.8435, 0.4162, 0.9259, 0.0152, 0.7891, 0.3840, 0.0942,
          0.0245, 0.0248, 0.6321, 0.7874, 0.8893, 0.2032, 0.3613, 0.3369, 0.3674,
          0.0578, 0.7056],
         [0.1072, 0.3630, 0.9294, 0.6267, 0.3761, 0.1347, 0.8899, 0.8383, 0.0328,
          0.2300, 0.5797, 0.6842, 0.9483, 0.9679, 0.5453, 0.3542, 0.9578, 0.6276,
          0.8556, 0.3014]]),
 tensor(0.3268, grad_fn=<SumBackward0>))

我们可以混合搭配各种组合块的方法。在下面的例子中，我们以一些想到的方法嵌套块。

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)