20.nn.Module

最新推荐文章于 2024-04-26 20:14:14 发布

派大星的最爱海绵宝宝

最新推荐文章于 2024-04-26 20:14:14 发布

阅读量589

点赞数

分类专栏： pytorch 文章标签：深度学习 pytorch 人工智能

本文链接：https://blog.csdn.net/weixin_44846755/article/details/126078092

版权

pytorch 专栏收录该内容

30 篇文章 1 订阅

订阅专栏

使用

nn.Linear
nn.BatchNorm2d
nn.Conv2d
这些类都继承自nn.Module
多层嵌套使用nn.module

使用nn.module好处

1.基本层

在nn.module中提供了大量的基本层
linear
relu
sigmod
conv2d
convtranspose2d
dropout
etc.
直接调用初始化函数，在调用.方法来调用forward函数，就可以使用这个层的功能

2.container

最核心的功能。也就是nn.sequential功能
使用这个容器，在这里不仅可以调用自己写的函数，也可以调用pytorch自带的。使用self.net可以把里面的函数依次执行。

self.net=nn.Sequential(
nn.Conv2d(1,32,5,1,1),
nn.MaxPool2d(2,2),
nn.RelU(True),
nn.BatchNorm2d(32),

nn.Conv2d(32,64,3,1,1),
nn.RelU(True),
nn.BatchNorm2d(128)
)

3.parameters

使用nn.module，会对网络的参数进行有效的管理，不需要额外管理参数。

net=nn.Sequential(nn.Linear(8,6),nn.Linear(4,8))
print(list(net.parameters())[0].shape)
print(list(net.parameters())[1].shape)
print(list(net.parameters())[2].shape)
print(list(net.parameters())[3].shape)
print(list(net.named_parameters())[0])
print(list(net.named_parameters())[1])
print(dict(net.named_parameters()).items())

[0]是weight，[1]是bias。对于w来说，输入的时候顺序是channel-out，channel-in。
两种形式，一个是不带名字。还有一个pytorch自带生成的名字，第一个是名字，第二个是类型。
在这里插入图片描述

4.modules

对内部的module使用很方便
modules是每个module直接子节点和子节点的所有子节点，即所有节点。
children是指直接子节点。

basicnet有两个参数，relu没有参数，linear两个参数。
child0是net自己本身。child1就是sequential。

5.to（device）

把一个类的所有内部tensor和操作转移到gpu或者cpu。

device=torch.device('cuda')
net=Net()
net.to(device)

cuda是cpu，net.to()可以转移到c或者gpu上，会返回一个net引用，这个net引用跟原来的net引用（net＝Net()）一模一样。

a.to返回的是a-gpu，这两个a是不一样的，前面的a是cpu上的reference，后面的a是gpu上的。

6.save and load

check pond就是网络的一个中间状态，每隔一段时间就会保存。

	net.load_state_dict(torch.load('ckpt.mdl'))

    # train...
    torch.save(net.state_dict(),'ckpt.dml')

使用当前的类（net）提供的state_dict（），即把当前所有的状态返回，再使用torch.save方法把它保存到文件（copy.mdl）中。这是save操作。
在模型开始的时候，检查一下有没有checkpond。如果有就加载，首先在文件中使用load方法把它加载为pytorch类，再使用load_state_dict类，把这个数据加载到module，把网络中的参数的值都初始化为我们train好的值。这样就不需要重新初始化并且从0开始train。

7.train/test

一键进行train和test状态的切换。

	 # train...
    net.train()

    # test
    net.eval()

8.执行自己的类

nn.relu是一个class，F.relu是一个functional，只有class才能写到nn.sequential中。

class Flatten(nn.Module):
    def __init__(self):
        super(Flatten, self).__init__()

    def forward(self,input):
        return input.view(input.size[0],-1)


class TestNet(nn.Module):
    def __init__(self):
        super(TestNet, self).__init__()
        self.net=nn.Sequential(
            nn.Conv2d(1,16,stride=1,padding=1),
            nn.MaxPool2d(2,2),
            Flatten(),
            nn.Linear(1*14*14,10)
        )

    def forward(self,x):
        return self.net(x)

class MyLinear(nn.Module):
    def __init__(self,outp,inp):
        super(MyLinear, self).__init__()

        # requires_grad=True
        self.w=nn.Parameter(torch.randn(outp,inp))
        self.b=nn.Parameter(torch.randn(outp))

    def forward(self,x):
        x = x@self.w.t()+self.b
        return x

我们需要打平，在flatten类中的，view，语言把第一个纬度保留，-1表示所有纬度的合在一起。这个类使用很广泛。

nn.Parameter可作为一个安装器可以把你的tensor做一个包装，只要所有的tensor经过它包装后，tensor就会自动加到模型的nn.parameter（）方法中，可以自动的被SGD优化。如果不使用nn.Parameter，也需要设置grad。
nn.Parameter自动设置你的tensor需要梯度。
forward中一定要返回。