人工智能學習PyTorch教程之層和塊

Posted on by

對於多層感知機而言，整個模型做的事情就是接收輸入生成輸出。但是並不是所有的多層神經網絡都一樣，所以為瞭實現復雜的神經網絡就需要神經網絡塊，塊可以描述單個層、由多個層組成的組件或整個模型本身。使用塊進行抽象的一個好處是可以將一些塊組合成更大的組件。

從編程的角度來看，塊由類（class）表示。它的任何子類都必須定義一個將其輸入轉換為輸出的正向傳播函數，並且必須存儲任何必需的參數。註意，有些塊不需要任何參數。最後，為瞭計算梯度，塊必須具有反向傳播函數。幸運的是，在定義我們自己的塊時，由於autograd 中引入）提供瞭一些後端實現，我們隻需要考慮正向傳播函數和必需的參數。

這一部分我們就要自定義自己的層和塊。

先用實現一個簡單的多層感知機：

import torch
from torch import nn
from torch.nn import functional as F

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

X = torch.rand(2, 20)
net(X)

這個多層感知機包含一個具有256個單元和ReLU激活函數的全連接的隱藏層，然後是一個具有10個隱藏單元且不帶激活函數的全連接的輸出層。

通過實例化nn.Sequential來構建我們的模型，層的執行順序就是傳入參數的順序。

  • nn.Sequential定義瞭一種特殊的Module，即在PyTorch中表示一個塊的類。它維護瞭一個由Module組成的有序列表（Linear類是Module的子類）。
  • 正向傳播（forward）函數：將列表中的每個塊連接在一起，將每個塊的輸出作為下一個塊的輸入。
  • 通過net(X)調用我們的模型來獲得模型的輸出。是net.__call__(X)的簡寫。（這一句先不管他有什麼，繼續往下看。）

我們也可以自己手寫一個多層感知機：

class MLP(nn.Module):
    def __init__(self):
        # 調用`MLP`的父類的構造函數來執行必要的初始化。
        # 這樣，在類實例化時也可以指定其他函數參數，例如模型參數`params`（稍後將介紹）
        super().__init__()
        
        self.hidden = nn.Linear(20, 256)  # 隱藏層
        self.out = nn.Linear(256, 10)  # 輸出層

    # 定義模型的正向傳播，即如何根據輸入`X`返回所需的模型輸出
    def forward(self, X):
        # 註意，這裡我們使用ReLU的函數版本，其在nn.functional模塊中定義。
        return self.out(F.relu(self.hidden(X)))

net = MLP()
net(X)

通過super().__init__()調用父類的__init__函數，省去瞭重復編寫適用於大多數塊的模版代碼的痛苦。

實例化兩個全連接層，分別為self.hidden和self.out。

除非我們實現一個新的運算符，否則我們不用擔心反向傳播函數或參數初始化，系統將自動生成這些。

前邊說調用net() 就相當於調用net.__call__(X)，因為我們在自己的MLP中寫瞭forward，但是我們沒有調用，隻使用net() 他就自動執行forward瞭。就是因為會自動調用.__call__函數使forward執行。

說完後兩條說第一條：

有序是怎麼實現的，構建構一個簡化的MySequential：

class MySequential(nn.Module):
    def __init__(self, *args):
        super().__init__()
        for block in args:
            # 這裡，`block`是`Module`子類的一個實例。我們把它保存在'Module'類的成員變量
            # `_modules` 中。`block`的類型是OrderedDict。
            self._modules[block] = block

    def forward(self, X):
        # OrderedDict保證瞭按照成員添加的順序遍歷它們
        for block in self._modules.values():
            X = block(X)
        return X

MySequential類提供瞭與默認Sequential類相同的功能。

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

用MySequential類實現的多層感知機和Sequential類實現的一樣。

註意這裡隻是寫出瞭其執行順序，是簡化版的Sequential類！

到此這篇關於人工智能學習PyTorch教程之層和塊的文章就介紹到這瞭,更多相關PyTorch 層和塊內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：