2.0.PyTorch神经网络基础

层和块

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。多个层被组合成块，形成更大的模型：

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

#层
import torch
from torch import nn
from torch.nn import functional as F#nn.Sequential 定义了一种特殊的Module
net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))X = torch.rand(2, 20)
net(X)

自定义块

块的基本功能：

将输入数据作为其前向传播函数的参数。
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。
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。
存储和访问前向传播计算所需的参数。
根据需要初始化模型参数。

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__()#继承nn.Moduleself.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)))#MLP类实例化时就会调用__init__函数初始化，输入参数就会进行输出，使用forward函数传播(可能在Module类中有调用)
net = MLP()
net(X)

顺序快

Sequential的设计是为了把其他模块串起来，为了构建比较简化的MySequential，只需要定义两个关键参数：

一种将块逐个追加到列表中的函数；
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”。

class MySequential(nn.Module):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

__init__函数将每个模块逐个添加到有序字典_modules中。_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。

net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
net(X)

在正向传播函数中执行代码

在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)#随机的常数参数，不参加训练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。这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 /= 2return X.sum()net = FixedHiddenmMLP()
net(X)

也可以搭配各种组合块的方法来使用：

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)) #把两层的块放进linear层中计算#第一个module是NestMLP，第二层时Linear层，第三层时FixedHiddenMLP类 层
chimera = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)

参数管理

之前的学习中，我们只是使用框架完成训练，但对训练过程中的参数不知道具体细节，我们希望可以有：

访问参数，用于调试、诊断和可视化；
参数初始化；
在不同模型组件间共享参数。

基础访问

import torch
from torch import nnnet = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
X = torch.rand(size=(2, 4))
net(X)#参数访问
print(net[2].state_dict) #net[2]拿到的是nn.Linear(8,1),state_dict输出权重(8个)和偏移
#目标参数
print(type(net[2].bias))#返回类型
print(net[2].bias)#返回的是形如tensor([0.0887], requires_grad=True)，包含梯度
print(net[2].bias.data)#只返回数值
print(net[2].weight.grad == None) #也可以查询梯度，还没初始化，是None
#一次性访问所有参数
print(*[(name, param.shape) for name, param in net[0].named_parameters()])
print(*[(name, param.shape) for name, param in net.named_parameters()])
#另一种访问参数的方式
net.state_dict()['2.bias'].data

嵌套块收集参数

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())#f'block {i}'是为添加的块命名return netrgnet = nn.Sequential(block2(), nn.Linear(4, 1))
rgnet(X)print(rgnet)
print(rgnet[0][1][0].bias.data)

print的结果：

Sequential((0): Sequential((block 0): Sequential((0): Linear(in_features=4, out_features=8, bias=True)(1): ReLU()(2): Linear(in_features=8, out_features=4, bias=True)(3): ReLU())(block 1): Sequential((0): Linear(in_features=4, out_features=8, bias=True)#访问到这里(1): ReLU()(2): Linear(in_features=8, out_features=4, bias=True)(3): ReLU())(block 2): Sequential((0): Linear(in_features=4, out_features=8, bias=True)(1): ReLU()(2): Linear(in_features=8, out_features=4, bias=True)(3): ReLU())(block 3): Sequential((0): Linear(in_features=4, out_features=8, bias=True)(1): ReLU()(2): Linear(in_features=8, out_features=4, bias=True)(3): ReLU()))(1): Linear(in_features=4, out_features=1, bias=True)
)tensor([ 0.1999, -0.4073, -0.1200, -0.2033, -0.1573,  0.3546, -0.2141, -0.2483])

参数初始化

我们可能需要自定义参数初始化的方法。

内置初始化

默认情况下，PyTorch会根据一个范围均匀地初始化权重和偏置矩阵，这个范围是根据输入和输出维度计算出的。 PyTorch的nn.init模块提供了多种预置初始化方法。

net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
def init_normal(m):if type(m) == nn.Linear:#全连接层才进行下面的操作nn.init.normal_(m.weight, mean=0, std=0.01)#将weight换为N(0,0.01)的正态分布nn.init.zeros_(m.bias)#偏移直接为0
net.apply(init_normal)
print(net[0].weight.data[0], net[0].bias.data[0])

当然我们也可以应用不同的初始化方法，比如xavier初始化

def init_xavier(m):if type(m) == nn.Linear:nn.init.xavier_uniform_(m.weight)
def init_42(m):if type(m) == nn.Linear:nn.init.constant_(m.weight, 42)#也可以初始化为常量(net[0].apply(init_xavier)
net[2].apply(init_42)
print(net[0].weight.data[0])
print(net[2].weight.data)

自定义初始化

写啥都行，使用以下分布来初始化

def my_init(m):if type(m) == nn.Linear:print("Init", *[(name, param.shape)for name, param in m.named_parameters()][0])nn.init.uniform_(m.weight, -10, 10)m.weight.data *= m.weight.data.abs() >= 5 #保留绝对值大于5的net.apply(my_init)
net[0].weight[:2]#也可以直接设置参数
net[0].weight.data[:] += 1
net[0].weight.data[0, 0] = 42
net[0].weight.data[0]

参数绑定

我们可以在多个层间共享参数：可以定义一个稠密层，然后使用它的参数来设置另一个层的参数

# 我们需要给共享层一个名称，以便可以引用它的参数
shared = nn.Linear(8, 8)
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(),shared, nn.ReLU(),shared, nn.ReLU(),#这里调用了两次shared，其实指向的是一个地方nn.Linear(8, 1))
net(X)
# 检查参数是否相同
print(net[2].weight.data[0] == net[4].weight.data[0])
net[2].weight.data[0, 0] = 100
# 确保它们实际上是同一个对象，而不只是有相同的值
print(net[2].weight.data[0] == net[4].weight.data[0])

自定义层

构造一个没有任何参数的自定义层,

import torch
import torch.nn.functional as F
from torch import nnclass CenteredLayer(nn.Module):def __init__(self):super.__init__()def forward(self,X):return X- X.mean()layer = CenteredLayer()
layer = (torch.FloatTensor([1,2,3,4,5]))#最后结果是tensor([-2.,-1.,0.,1.,2.])#将层作为组件合并到更复杂的模型中
net = nn.Sequential(nn.Linear(8,128),CenteredLayer())Y = net(torch.rand(4,8))
Y.mean()
#结果为 tensor(-2.7940e-09,grad_fn=<MeanBackward0>)

带参数的图层

class MyLinear(nn.Module):def __init__(self,in_units,units):#有两个参数，输入维度，输出维度super().__init__()self.weight = nn.Parameter(torch.randn(in_units,units))#正态分布初始化self.bias = nn.Parameter(torch.randn(units,))def forward(self.X):linear = torch.matmul(X,self.weight.data)+self.bias.datareturn F.rulu(linear)dense = MyLinear(5,3)
print(dense.weight)

读写文件

加载和保存张量

import torch
from torch import nn
from torch.nn import functional as F
#单个张量
x = torch.arange(4)
torch.save(x, 'x-file')#保存在当前文件夹，可以自己选路径x2 = torch.load('x-file')
x2
#也可以存储一个张量列表
y = torch.zeros(4)
torch.save([x, y],'x-files')
x2, y2 = torch.load('x-files')
(x2, y2)
#字符串映射到张量的字典
mydict = {'x': x, 'y': y}
torch.save(mydict, 'mydict')
mydict2 = torch.load('mydict')
mydict2

加载和保存模型参数

class MLP(nn.Module):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()
X = torch.randn(size=(2, 20))
Y = net(X)torch.save(net.state_dict(), 'mlp.params')#pytorch保存的是参数#恢复模型，先实例化一个相同的模型类，然后直接读取参数
clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()#进入评估模式，参数不会被更新