北京微信网站建设电话,公司制作网站收费标准,瑞昌市建设局网站,网站建设需要多少人员一、层和块 在构造自定义块之前#xff0c;我们先回顾一下多层感知机的代码。下面的代码生成一个网络#xff0c;其中包含一个具有256个单元和ReLU激活函数的全连接隐藏层#xff0c;然后是一个具有10个隐藏单元且不带激活函数的全连接输出层。
import torch
from torch im…一、层和块 在构造自定义块之前我们先回顾一下多层感知机的代码。下面的代码生成一个网络其中包含一个具有256个单元和ReLU激活函数的全连接隐藏层然后是一个具有10个隐藏单元且不带激活函数的全连接输出层。
import torch
from torch import nn
from torch.nn import functional as Fnet nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))X torch.rand(2, 20)
net(X)
tensor([[ 0.0748, -0.1284, 0.0661, 0.1824, 0.1819, -0.0896, -0.0444, 0.0611,-0.1083, -0.2545],[ 0.0015, -0.1136, 0.0300, 0.2422, 0.1924, -0.1676, -0.1643, 0.0208,-0.1123, -0.1084]], grad_fnAddmmBackward0) nn.Sequential定义了一种特殊的Module即在PyTorch中表示一个块的类它维护了一个由Module组成的有序列表。注意两个全连接层都是Linear类的实例Linear类本身就是Module的子类。另外到目前为止我们一直在通过net(X)调用我们的模型来获得模型的输出。这实际上是net.__call__(X)的简写。这个前向传播函数非常简单它将列表中的每个块连接在一起将每个块的输出作为下一个块的输入。
二、自定义块 Pytorch中任何一个层或者一个神经网络基本都是nn.Module的子类。下面是一个自定义的MLP类功能和前面代码相同。
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paramssuper().__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))) 所有的Module有两个重要的函数一个是init()函数在里面定义需要哪些类和参数另外一个是forward()函数定义了模型的前向传播。 实例化多层感知机的层然后在每次调用前向传播函数时调用这些层。
net MLP()
net(X)
tensor([[ 0.0617, -0.0381, 0.0605, -0.2711, -0.0481, -0.1107, 0.2265, -0.0549,0.2573, 0.0887],[-0.0170, -0.0350, 0.1438, -0.2079, -0.0148, -0.0230, 0.0590, 0.0136,0.3161, 0.0014]], grad_fnAddmmBackward0)
三、顺序块 现在我们可以更仔细地看看Sequential类是如何工作的回想一下Sequential的设计是为了把其他模块串起来。为了构建我们自己的简化的MySequential我们只需要定义两个关键函数
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”。 下面的MySequential类提供了与默认Sequential类相同的功能。
class MySequential(nn.Module):def __init__(self, *args): # *args: list of input argumentssuper().__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OrderedDict(有序字典)self._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 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)
tensor([[ 0.0425, 0.2652, -0.1381, 0.0156, -0.1683, 0.0906, -0.2825, 0.0234,0.0289, 0.0594],[ 0.0372, 0.2065, -0.1196, 0.0681, -0.1791, 0.1555, -0.4214, 0.1164,-0.0223, 0.0265]], grad_fnAddmmBackward0)
四、在前向传播函数中执行代码 下面这段代码相比于nn.Sequential更加灵活能够灵活定义前向计算
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_gradFalse)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 FixedHiddenMLP()
net(X)
tensor(0.0402, grad_fnSumBackward0)
五、嵌套使用 我们可以混合搭配各种组合块的方法。在下面的例子中我们以一些想到的方法嵌套块。
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))chimera nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)
tensor(-0.0394, grad_fnSumBackward0)
六、总结
一个块可以由许多层组成一个块可以由许多块组成。块可以包含代码。块负责大量的内部处理包括参数初始化和反向传播。层和块的顺序连接由Sequential块处理。
