深度学习(5):torch.nn.Module

一、是什么

torch.nn.Module 是 PyTorch 中所有神经网络模块的基类，是构建神经网络模型的核心组件。

二、nn.Module 的核心功能

1. 参数管理：自动管理模型的可训练参数（parameters），方便参数的访问和更新。

2. 子模块管理：支持将模型分解为多个子模块，便于组织复杂的网络结构。

3. 前向计算（forward）：定义模型的前向传播逻辑。

三、nn.Module 的基本用法

1. 定义自定义模型

要创建自定义的神经网络模型，需要继承 nn.Module，并实现以下内容：

• 构造函数 __init__：在这里定义网络的层和子模块。
• 前向方法 forward：定义数据如何经过网络进行前向传播。

import torch
import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        # 定义网络层
        self.layer1 = nn.Linear(10, 20)
        self.relu = nn.ReLU()
        self.layer2 = nn.Linear(20, 1)
    
    def forward(self, x):
        # 定义前向传播过程
        out = self.layer1(x)
        out = self.relu(out)
        out = self.layer2(out)
        return out

2. 初始化模型

model = MyModel()

3. 模型的使用

• 前向传播：

  output = model(input_data)
  

• 获取模型参数：

  for name, param in model.named_parameters():
      print(name, param.size())
  

四、nn.Module 的关键特性

1. 自动注册子模块和参数

在 __init__ 方法中，当你将 nn.Module 的实例（如 nn.Linear、nn.Conv2d 等）赋值给模型的属性时，nn.Module 会自动将这些子模块注册到模型中。这意味着：

• 参数管理：模型的所有参数都会被自动收集，存储在 model.parameters() 中。
• 子模块管理：可以通过 model.children() 或 model.modules() 访问子模块。

class MyModule(nn.Module):
    def __init__(self):
        super(MyModule, self).__init__()
        self.fc = nn.Linear(10, 5)
        self.conv = nn.Conv2d(3, 16, kernel_size=3)

model = MyModule()
print(list(model.parameters()))  # 自动包含了 fc 和 conv 的参数

2. forward 方法

forward 方法定义了模型的前向传播逻辑。在调用模型实例时，会自动调用 forward 方法。

output = model(input_data)  # 等价于 output = model.forward(input_data)

3. 不需要定义反向传播

在大多数情况下，不需要手动实现反向传播函数。PyTorch 的自动求导机制（autograd）会根据前向传播中的操作，自动计算梯度。

五、常用的内置模块

PyTorch 提供了大量的内置模块，继承自 nn.Module，可以直接使用：

• 线性层：nn.Linear
• 卷积层：nn.Conv1d、nn.Conv2d、nn.Conv3d
• 循环神经网络：nn.RNN、nn.LSTM、nn.GRU
• 归一化层：nn.BatchNorm1d、nn.BatchNorm2d
• 激活函数：nn.ReLU、nn.Sigmoid、nn.Softmax
• 损失函数：nn.MSELoss、nn.CrossEntropyLoss

六、示例：创建一个简单的神经网络

1. 问题描述

创建一个多层感知机（MLP），用于对 MNIST 手写数字进行分类。

2. 模型定义

class MNISTClassifier(nn.Module):
    def __init__(self):
        super(MNISTClassifier, self).__init__()
        self.flatten = nn.Flatten()  # 将输入展开为一维
        self.fc1 = nn.Linear(28 * 28, 128)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(128, 64)
        self.relu2 = nn.ReLU()
        self.fc3 = nn.Linear(64, 10)  # 输出10个类别的分数
    
    def forward(self, x):
        x = self.flatten(x)
        x = self.relu(self.fc1(x))
        x = self.relu2(self.fc2(x))
        x = self.fc3(x)
        return x

3. 训练过程

import torch.optim as optim

# 初始化模型、损失函数和优化器
model = MNISTClassifier()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 假设有数据加载器 data_loader
for epoch in range(num_epochs):
    for images, labels in data_loader:
        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    
    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

七、深入理解 nn.Module 的一些重要概念

1. 参数访问

• parameters()：返回一个生成器，包含模型所有可训练的参数。
• named_parameters()：返回一个生成器，生成 (name, parameter) 对，方便查看参数名称和形状。

for name, param in model.named_parameters():
    print(f'Parameter {name}: shape {param.shape}')

2. 模块访问

• children()：返回直接子模块的迭代器。
• modules()：返回自身及所有子模块的迭代器。

for child in model.children():
    print(child)

for module in model.modules():
    print(module)

3. 保存和加载模型

• 保存模型状态：

  torch.save(model.state_dict(), 'model.pth')
  

• 加载模型状态：

  model = MNISTClassifier()
  model.load_state_dict(torch.load('model.pth'))
  

4. 自定义层和模块

通过继承 nn.Module，可以创建自定义的层或模块。

class CustomLayer(nn.Module):
    def __init__(self, in_features, out_features):
        super(CustomLayer, self).__init__()
        self.weight = nn.Parameter(torch.randn(in_features, out_features))
        self.bias = nn.Parameter(torch.zeros(out_features))
    
    def forward(self, x):
        return torch.matmul(x, self.weight) + self.bias

八、nn.Module 的实践技巧

1. 使用 Sequential 快速构建模型

对于简单的模型，可以使用 nn.Sequential 将多个层按顺序组合。

model = nn.Sequential(
    nn.Flatten(),
    nn.Linear(28 * 28, 128),
    nn.ReLU(),
    nn.Linear(128, 64),
    nn.ReLU(),
    nn.Linear(64, 10)
)

2. 模型的嵌套

可以将模块嵌套使用，构建复杂的网络结构。

class ComplexModel(nn.Module):
    def __init__(self):
        super(ComplexModel, self).__init__()
        self.block1 = nn.Sequential(
            nn.Conv2d(1, 32, kernel_size=3),
            nn.ReLU()
        )
        self.block2 = nn.Sequential(
            nn.Conv2d(32, 64, kernel_size=3),
            nn.ReLU()
        )
        self.fc = nn.Linear(64 * 24 * 24, 10)
    
    def forward(self, x):
        x = self.block1(x)
        x = self.block2(x)
        x = x.view(x.size(0), -1)  # 展平
        x = self.fc(x)
        return x

九、总结

• nn.Module 是 PyTorch 构建神经网络的基础，提供了参数管理、子模块管理和前向传播等功能。
• 通过继承 nn.Module，可以方便地创建自定义模型或层，满足各种复杂的需求。
• 在使用 nn.Module 时，注意正确地定义 __init__ 和 forward 方法，并确保在 forward 方法中定义前向计算逻辑。
• PyTorch 提供了大量的内置模块，可以直接使用或作为自定义模块的基石。
• 善于利用 nn.Module 的特性和工具，可以大大提高模型开发的效率和代码的可读性。

十、参考示例：完整的训练脚本

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

# 定义超参数
batch_size = 64
learning_rate = 0.01
num_epochs = 5

# 数据集和数据加载器
train_dataset = datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True)

# 定义模型
class MNISTClassifier(nn.Module):
    def __init__(self):
        super(MNISTClassifier, self).__init__()
        self.flatten = nn.Flatten()
        self.fc1 = nn.Linear(28 * 28, 128)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(128, 64)
        self.relu2 = nn.ReLU()
        self.fc3 = nn.Linear(64, 10)
    
    def forward(self, x):
        x = self.flatten(x)
        x = self.relu(self.fc1(x))
        x = self.relu2(self.fc2(x))
        x = self.fc3(x)
        return x

# 初始化模型、损失函数和优化器
model = MNISTClassifier()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    for images, labels in train_loader:
        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    
    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

# 保存模型
torch.save(model.state_dict(), 'mnist_classifier.pth')