pytorch中的hook機制register_forward_hook

Posted on by

1、hook背景

Hook被成為鉤子機制，這不是pytorch的首創，在Windows的編程中已經被普遍采用，包括進程內鉤子和全局鉤子。按照自己的理解，hook的作用是通過系統來維護一個鏈表，使得用戶攔截（獲取）通信消息，用於處理事件。

pytorch中包含forward和backward兩個鉤子註冊函數，用於獲取forward和backward中輸入和輸出，按照自己不全面的理解，應該目的是“不改變網絡的定義代碼，也不需要在forward函數中return某個感興趣層的輸出，這樣代碼太冗雜瞭”。

2、源碼閱讀

register_forward_hook()函數必須在forward（）函數調用之前被使用，因為這個函數源碼註釋顯示這個函數“ it will not have effect on forward since this is called after :func:`forward` is called”，也就是這個函數在forward（）之後就沒有作用瞭！！！）：

作用：獲取forward過程中每層的輸入和輸出，用於對比hook是不是正確記錄。

def register_forward_hook(self, hook):
        r"""Registers a forward hook on the module.
        The hook will be called every time after :func:`forward` has computed an output.
        It should have the following signature::
            hook(module, input, output) -> None or modified output
        The hook can modify the output. It can modify the input inplace but
        it will not have effect on forward since this is called after
        :func:`forward` is called.

        Returns:
            :class:`torch.utils.hooks.RemovableHandle`:
                a handle that can be used to remove the added hook by calling
                ``handle.remove()``
        """
        handle = hooks.RemovableHandle(self._forward_hooks)
        self._forward_hooks[handle.id] = hook
        return handle

3、定義一個用於測試hooker的類

如果隨機的初始化每個層，那麼就無法測試出自己獲取的輸入輸出是不是forward中的輸入輸出瞭，所以需要將每一層的權重和偏置設置為可識別的值（比如全部初始化為1）。網絡包含兩層（Linear有需要求導的參數被稱為一個層，而ReLU沒有需要求導的參數不被稱作一層），__init__()中調用initialize函數對所有層進行初始化。

註意：在forward()函數返回各個層的輸出，但是ReLU6沒有返回，因為後續測試的時候不對這一層進行註冊hook。

class TestForHook(nn.Module):
    def __init__(self):
        super().__init__()

        self.linear_1 = nn.Linear(in_features=2, out_features=2)
        self.linear_2 = nn.Linear(in_features=2, out_features=1)
        self.relu = nn.ReLU()
        self.relu6 = nn.ReLU6()
        self.initialize()

    def forward(self, x):
        linear_1 = self.linear_1(x)
        linear_2 = self.linear_2(linear_1)
        relu = self.relu(linear_2)
        relu_6 = self.relu6(relu)
        layers_in = (x, linear_1, linear_2)
        layers_out = (linear_1, linear_2, relu)
        return relu_6, layers_in, layers_out
    def initialize(self):
        """ 定義特殊的初始化，用於驗證是不是獲取瞭權重"""
        self.linear_1.weight = torch.nn.Parameter(torch.FloatTensor([[1, 1], [1, 1]]))
        self.linear_1.bias = torch.nn.Parameter(torch.FloatTensor([1, 1]))
        self.linear_2.weight = torch.nn.Parameter(torch.FloatTensor([[1, 1]]))
        self.linear_2.bias = torch.nn.Parameter(torch.FloatTensor([1]))
        return True

4、定義hook函數

hook（）函數是register_forward_hook()函數必須提供的參數，好處是“用戶可以自行決定攔截瞭中間信息之後要做什麼！”，比如自己想單純的記錄網絡的輸入輸出（也可以進行修改等更加復雜的操作）。

首先定義幾個容器用於記錄：

定義用於獲取網絡各層輸入輸出tensor的容器：

# 並定義module_name用於記錄相應的module名字
module_name = []
features_in_hook = []
features_out_hook = []
hook函數需要三個參數，這三個參數是系統傳給hook函數的，自己不能修改這三個參數：

hook函數負責將獲取的輸入輸出添加到feature列表中；並提供相應的module名字

def hook(module, fea_in, fea_out):
    print("hooker working")
    module_name.append(module.__class__)
    features_in_hook.append(fea_in)
    features_out_hook.append(fea_out)
    return None

5、對需要的層註冊hook

註冊鉤子必須在forward（）函數被執行之前，也就是定義網絡進行計算之前就要註冊，下面的代碼對網絡除去ReLU6以外的層都進行瞭註冊（也可以選定某些層進行註冊）：

註冊鉤子可以對某些層單獨進行：

net = TestForHook()
net_chilren = net.children()
for child in net_chilren:
    if not isinstance(child, nn.ReLU6):
        child.register_forward_hook(hook=hook)

6、測試forward（）返回的特征和hook記錄的是否一致

6.1 測試forward（）提供的輸入輸出特征

由於前面的forward（）函數返回瞭需要記錄的特征，這裡可以直接測試：

out, features_in_forward, features_out_forward = net(x)
print("*"*5+"forward return features"+"*"*5)
print(features_in_forward)
print(features_out_forward)
print("*"*5+"forward return features"+"*"*5)

得到下面的輸出是理所當然的：

*****forward return features*****
(tensor([[0.1000, 0.1000],
        [0.1000, 0.1000]]), tensor([[1.2000, 1.2000],
        [1.2000, 1.2000]], grad_fn=<AddmmBackward>), tensor([[3.4000],
        [3.4000]], grad_fn=<AddmmBackward>))
(tensor([[1.2000, 1.2000],
        [1.2000, 1.2000]], grad_fn=<AddmmBackward>), tensor([[3.4000],
        [3.4000]], grad_fn=<AddmmBackward>), tensor([[3.4000],
        [3.4000]], grad_fn=<ThresholdBackward0>))
*****forward return features*****

6.2 hook記錄的輸入特征和輸出特征

hook通過list結構進行記錄，所以可以直接print

測試features_in是不是存儲瞭輸入：

print("*"*5+"hook record features"+"*"*5)
print(features_in_hook)
print(features_out_hook)
print(module_name)
print("*"*5+"hook record features"+"*"*5)

得到和forward一樣的結果：

*****hook record features*****
[(tensor([[0.1000, 0.1000],
        [0.1000, 0.1000]]),), (tensor([[1.2000, 1.2000],
        [1.2000, 1.2000]], grad_fn=<AddmmBackward>),), (tensor([[3.4000],
        [3.4000]], grad_fn=<AddmmBackward>),)]
[tensor([[1.2000, 1.2000],
        [1.2000, 1.2000]], grad_fn=<AddmmBackward>), tensor([[3.4000],
        [3.4000]], grad_fn=<AddmmBackward>), tensor([[3.4000],
        [3.4000]], grad_fn=<ThresholdBackward0>)]
[<class 'torch.nn.modules.linear.Linear'>, 
<class 'torch.nn.modules.linear.Linear'>,
 <class 'torch.nn.modules.activation.ReLU'>]
*****hook record features*****

6.3 把hook記錄的和forward做減法

如果害怕會有小數點後面的數值不一致，或者數據類型的不匹配，可以對hook記錄的特征和forward記錄的特征做減法：

測試forward返回的feautes_in是不是和hook記錄的一致：

print("sub result'")
for forward_return, hook_record in zip(features_in_forward, features_in_hook):
    print(forward_return-hook_record[0])

得到的全部都是0，說明hook沒問題：

sub result
tensor([[0., 0.],
        [0., 0.]])
tensor([[0., 0.],
        [0., 0.]], grad_fn=<SubBackward0>)
tensor([[0.],
        [0.]], grad_fn=<SubBackward0>)

7、完整代碼

import torch
import torch.nn as nn


class TestForHook(nn.Module):
    def __init__(self):
        super().__init__()

        self.linear_1 = nn.Linear(in_features=2, out_features=2)
        self.linear_2 = nn.Linear(in_features=2, out_features=1)
        self.relu = nn.ReLU()
        self.relu6 = nn.ReLU6()
        self.initialize()

    def forward(self, x):
        linear_1 = self.linear_1(x)
        linear_2 = self.linear_2(linear_1)
        relu = self.relu(linear_2)
        relu_6 = self.relu6(relu)
        layers_in = (x, linear_1, linear_2)
        layers_out = (linear_1, linear_2, relu)
        return relu_6, layers_in, layers_out

    def initialize(self):
        """ 定義特殊的初始化，用於驗證是不是獲取瞭權重"""
        self.linear_1.weight = torch.nn.Parameter(torch.FloatTensor([[1, 1], [1, 1]]))
        self.linear_1.bias = torch.nn.Parameter(torch.FloatTensor([1, 1]))
        self.linear_2.weight = torch.nn.Parameter(torch.FloatTensor([[1, 1]]))
        self.linear_2.bias = torch.nn.Parameter(torch.FloatTensor([1]))
        return True

定義用於獲取網絡各層輸入輸出tensor的容器，並定義module_name用於記錄相應的module名字

module_name = []
features_in_hook = []
features_out_hook = []

hook函數負責將獲取的輸入輸出添加到feature列表中，並提供相應的module名字

def hook(module, fea_in, fea_out):
    print("hooker working")
    module_name.append(module.__class__)
    features_in_hook.append(fea_in)
    features_out_hook.append(fea_out)
    return None

定義全部是1的輸入：

x = torch.FloatTensor([[0.1, 0.1], [0.1, 0.1]])

註冊鉤子可以對某些層單獨進行：

net = TestForHook()
net_chilren = net.children()
for child in net_chilren:
    if not isinstance(child, nn.ReLU6):
        child.register_forward_hook(hook=hook)

測試網絡輸出：

out, features_in_forward, features_out_forward = net(x)
print("*"*5+"forward return features"+"*"*5)
print(features_in_forward)
print(features_out_forward)
print("*"*5+"forward return features"+"*"*5)

測試features_in是不是存儲瞭輸入：

print("*"*5+"hook record features"+"*"*5)
print(features_in_hook)
print(features_out_hook)
print(module_name)
print("*"*5+"hook record features"+"*"*5)

測試forward返回的feautes_in是不是和hook記錄的一致：

print("sub result")
for forward_return, hook_record in zip(features_in_forward, features_in_hook):
    print(forward_return-hook_record[0])

 到此這篇關於pytorch中的hook機制register_forward_hook的文章就介紹到這瞭,更多相關pytorch中的hook機制內容請搜索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：