因为之前虽然写过一点点关于pytorch的东西,但是用的还是他太少了。
这次从头开始,尝试着搓出一个神经网络模型
(因为没有什么训练数据,所以最后的训练部分使用可能不太好跑起来的代码作为演示,如果有需要自己连上数据集合进行修改捏)
1.先阐述一下什么是神经网络块(block)
一般来说,我们之前遇到的一些神经网络,网络中是这样子的结构
net----> layer ----> neuron
而块的存在,就是给这样一个神经网络的整体做了一个封装操作,让神经网络能复合实现一些功能。
结构就变成了这个样子(图片来自D2l)
这样子,神经网络结构就变成了四层
block ----》 net ---》layer ---》neuron
这样子自然是可以使用诸如一些奇怪的方法,通过三层索引去进行调用什么的,不过这个我们到后面再说。先看一下如何构建一个块。
我们这里构建了一个类,这个类的计算方法实际就是实现了几个层的输入和输出,相当与封装了一个神经网络。
class MLP(nn.Module):# 用模型参数声明层。这里,我们声明两个全连接的层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,在类实例化时也可以指定其他函数参数,例如模型参数params(稍后将介绍)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返回所需的模型输出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)))# 这个东西就相当与先隐藏层,然后relu,然后最后进行一次输出#创建这个神经网路块,然后开始输出
net = MLP()
net(X)
这段代码没有使用squential容器进行封装,但是可以很清楚地看到我们定义了两层(隐藏层256个神经元,输出层10个神经元,不知道为什么没用softmax函数),并且在返回函数计算的时候,中间还经过了一步‘relu’激活函数的操作
(注意和tf不同,pytorch框架下面是不能把激活函数存入层中的,需要单独作为一个‘层’来进行一个输入和输出的控制)
注意下(在后面自定义层的时候也是这样子)由于继承了nn.Module这个类 , 所以我们必须要实现两个函数,首先是_init_,这个在python中是最终要的构造函数。其次就是forward,我对py不是很了解,不过这应该是通过面向对象实现的集成。forward这个方法就是向前传播,也就是接受参数,内部计算,然后返回值传递下去。
我们直接给net对象传递我们随机生成的两条数据的时候,底层时就调用了这个函数。
其他的一些比如sequential的实现方法,在这里我们就不加以赘述了。
为了更好的解释forward这个函数的作用,在这里我们自己创建一个单层,通过类创建,仍然是获取一个集成nn.Module的类,然后内部设置好初始化(为了创建对象),设置好向前传播(为了用来调用)
# 自定义一个不需要参数的层
class CenteredLayer(nn.Module):def __init__(self):super().__init__()def forward(self, X): #该层向前传播的方法return X - X.mean()
# 这一层最终也是返回一个张量
# sequential是一个简单的线性封装容器,所以只要是符合输入张量,输出张量
# 并且在内部会调用他们的forward方法layer = CenteredLayer()
print('自定义层,每个元素都 - 平均值2',layer(torch.FloatTensor([1, 2, 3, 4, 5])))
这个单层的效果就是对每个元素,都减去平均值。
并且如果想的话,我们也可以创建一些拥有自己属性的层
#现在创建一个带有权重和偏好
class MyLinear(nn.Module):def __init__(self, in_units, units):super().__init__()self.weight = nn.Parameter(torch.randn(in_units, units)) #这个需要手动输入一下输入特征数目还有神经元数目self.bias = nn.Parameter(torch.randn(units,)) def forward(self, X):linear = torch.matmul(X, self.weight.data) + self.bias.data #向前传播其实就是接受输入return F.relu(linear)
#创建一个层,这个层可以直接用在sequential之中
linear = MyLinear(5, 3) #五个输入三个神经元
这里可以看到只要重写了forward方法,那么这个类就能变成一个能用来计算的类,甚至是一个层可以单独计算。并且这样子写好以后是可以放在sequential容器中,作为一个统一训练的。
因此,如果我们有多个块的话,也是可以自己去写一个容器,进行组合。
#创建一个新类
class MySequential(nn.Module): #()就是py中的继承语法def __init__(self, *args):super().__init__()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OrderedDictself._modules[str(idx)] = moduledef forward(self, X):# OrderedDict保证了按照成员添加的顺序遍历它们for block in self._modules.values():X = block(X)return X#这个类实现的效果就类似原声的sequential
net = MySequential(net1,net2,net3)
print(net(X))
这个就大概是在拼接块,层的时候,内部所做的底层原理。
当然直接用sequential容器是更加省力气的方法,对吧
2.关于参数如何进行检查
假设现在有一个单独的神经网络
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
众所周知,这个神经网络是两层(中间的一层是激活函数我们不做讨论)
我们可以通过索引来调用和获取某个层的属性
#返回结果是这个全链接层的weight和bias,正好对应八个神经元
print(net[0].state_dict())
#检查参数
print(net[2].bias) #还会返回一些具体的属性
print(net[2].bias.data) #单纯的数据
对于block组成的神经网路社区中(我也不知道很多块组在一起应该叫什么了),仍然是一个嵌套的结构,我们可以创建这样一个社区
#这段代码其实也能看出来,sequential也是一个能容纳block的东西
# 容器 --》 block --》 layer --》 神经元 这三层架构(或者说四层)
def block1():return nn.Sequential(nn.Linear(4, 8), nn.ReLU(),nn.Linear(8, 4), nn.ReLU())
def block2():net = nn.Sequential()for i in range(4):# 在这里嵌套net.add_module(f'block {i}', block1())return netrgnet = nn.Sequential(block2(), nn.Linear(4, 1))
然后我们对这个rgnet进行打印,可以直接看到工作状态
#这样子打印会展示整个网络的状态
print('检查工作状态',rgnet)
可以很清晰地看到,这样一个嵌套结构
所以比如说我们想要访问第一个社区中,第2个块,中的第一个层中的参数,我们可以直接这样子读取
rgnet[0][1][0].bias.data
另外如果想要对已经形成的模型做初始化,这里还有一个例子
def init_normal(m):if type(m) == nn.Linear:nn.init.normal_(m.weight, mean=0, std=0.01) #平均值0,标准差为0.01nn.init.zeros_(m.bias) #偏移直接设置为0
net.apply(init_normal)
print('手动初始化的效果为',net[0].weight.data[0],'手动初始化bias:', net[0].bias.data[0])
函数实现的功能是先检测传进来的是不是正常的线性层,然后分别初始化。
补充一下,apply函数和js里的用法差不多,对内部的每个单元进行遍历,然后做一些操作。
(当然这不是唯一一种方法,自然还有别的)。
3.关于张量的保存和获取
在pytorch中,张量的保存主要有两种形式,第一种是保存数据,用于其他模型的训练
#===========读写张量===========#
x = torch.arange(4) #[0,1,2,3],创建了一个张量
torch.save(x, 'x-file') #这是保存在x-file这个文件下面的
loaded_x = torch.load('x-file') #反过来加载
print(loaded_x) #输出
#这样子读取列表和读出,也可以使用字典{x:x,Y:y}或者列表[x,y],反正是变成文件形式了
另一种是保存模型的参数,可以直接套在其他模型上
#=====读写参数并且保存在内存=====#class MLP(nn.Module): #手动创建多层感知机def __init__(self):super().__init__()self.hidden = nn.Linear(20, 256)self.output = nn.Linear(256, 10)def forward(self, x):return self.output(F.relu(self.hidden(x)))net = MLP() #构建对象
print('MLP的参数',net.state_dict()) #这里输出一下参数#保存这个模型的参数
torch.save(net.state_dict(), 'mlp.params')#然后对一个新模型使用这个参数
clone = MLP()
clone.load_state_dict(torch.load('mlp.params')) #内置函数加载参数clone.eval()#设置为评估模式,禁止训练什么的,这应该是module中附带的功能print('clone的参数',clone.state_dict())#可以看到参数被完全复制了
但是注意一个问题,如果使用另一个模型初始化自身的时候,要保证两个模型的结构一致