当前位置： 首页 > article >正文

深度学习(4):torch.nn.Module

article 2024/9/25 17:33:18

文章目录

  • 一、是什么
  • 二、`nn.Module` 的核心功能
  • 三、`nn.Module` 的基本用法
    • 1. 定义自定义模型
    • 2. 初始化模型
      • 3. 模型的使用
  • 四、`nn.Module` 的关键特性
    • 1. 自动注册子模块和参数
    • 2. `forward` 方法
    • 3. 不需要定义反向传播
  • 五、常用的内置模块
  • 六、示例：创建一个简单的神经网络
    • 1. 问题描述
    • 2. 模型定义
    • 3. 训练过程
  • 七、深入理解 `nn.Module` 的一些重要概念
    • 1. 参数访问
    • 2. 模块访问
    • 3. 保存和加载模型
    • 4. 自定义层和模块
  • 八、`nn.Module` 的实践技巧
    • 1. 使用 `Sequential` 快速构建模型
    • 2. 模型的嵌套
  • 九、总结
    • 十、参考示例：完整的训练脚本

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')

http://www.kler.cn/news/319194.html

相关文章：

  • flink 的 Barrier 对齐 的优劣详解：
  • PHP 中 empty() 函数的作用
  • PAT甲级-1083 List Grades
  • 如何选择渲染集群管理软件？
  • css基础知识笔记
  • 【Pyside】pycharm2024配置conda虚拟环境
  • Jmeter 线程组解析
  • 产品经理如何转到AI赛道？优势在哪？待遇如何？
  • C++系列-STL容器中统计算法count, count_if
  • uniapp调用安卓service实现后台运行
  • 华为OD机试真题-最少交换次数-2024年OD统一考试（E卷）
  • fastadmin前端切换成英文，后台中文，修改JS文件
  • Milvus - 从数据库到 Partition Key 实现多租户
  • STM32 使用 CubeMX 实现按键外部中断
  • flink 为啥使用MemorySegment 来管理内存
  • 性能测试1初步使用Jmeter
  • el-table中根据状态改单元格样式
  • 医学数据分析实训 项目五 分类分析--乳腺癌数据分析与诊断
  • mybatis-plus公共字段自动填充fillStrategy()方法和strictFill()方法
  • Windows环境运行.sh脚本提示找不到wget指令的问题
  • CSS基本概念以及CSS的多种引入方式
  • Python模拟真人鼠标轨迹算法
  • 使用umy-ui 优化带有大量输入框、下拉框的ElementUI el-table
  • Leetcode 1472. 设计浏览器历史记录
  • 开源音频处理项目推荐【持续更新】
  • 《C++设计新思维-泛型编程与设计模式之应用》阅读记录
  • DY按图搜索商品API：解锁电商新趋势
  • LeetCode 257. 二叉树的所有路径,dfs
  • 29. RabbitMQ队列模型
  • 多用户自定义商城小程序源码系统 独立部署 到源代码包以及搭建部署教程