PyTorch模型构建指南

在实现我们的自定义块之前，简要总结每个块的基本功能。

• 函数向前传播forward，注意输出的形状可以输入不同。
• 输出关和输入的梯度通常由反向传输函数(自带)计算。
• 存储前向传播所需的参数。
• 模型参数根据需要初始化。

下面，我们从零开始写一个块。 它包含一个具有256个隐藏单元和10维输出层的多层 注意，下面的MLP类继承了表示块的类。 我们只需要实现自己的构造函数（Python中的__init__函数)和前向传播函数。

class MLP(nn.Module):     # 使用__init__函数作为模型参数声明。在这里，我们声明了两个完全连接的层     def __init__(self):         super().__init__()         self.hidden = nn.Linear(20, 256)         self.out = nn.Linear(256, 10)      # 定义模型的前向传播，返回模型的输出
    def forward(self, X):
        # 这里我们使用relu激活函数
        return self.out(F.relu(self.hidden(X)))

我们首先看一下前向传播函数，它以X作为输入， 计算带有激活函数的隐藏表示，并输出其未规范化的输出值。 在这个MLP实现中，两个层都是实例变量。 要了解这为什么是合理的，可以想象实例化两个多层感知机（net1和net2）， 并根据不同的数据对它们进行训练。 当然，我们希望它们学到两种不同的模型。

接着我们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。 注意一些关键细节： 首先，我们定制的__init__函数通过super().__init__() 调用父类的__init__函数， 省去了重复编写模版代码的痛苦。 然后，我们实例化两个全连接层， 分别为self.hidden和self.out。 注意，除非我们实现一个新的运算符， 否则我们不必担心反向传播函数或参数初始化， 系统将自动生成这些。

net = MLP()
net(X)

tensor([[ 0.2712,  0.1333,  0.0337, -0.2076,  0.2360, -0.1404,  0.0934,  0.1479,
         -0.1069, -0.1572],
        [ 0.2974,  0.1053,  0.1088, -0.2039,  0.2487, -0.1420,  0.0689,  0.2123,
         -0.0841, -0.1395]], grad_fn=<AddmmBackward>)

块的一个主要优点是它的多功能性。 我们可以子类化块以创建层（如全连接层的类）、 整个模型（如上面的MLP类）或具有中等复杂度的各种组件。 我们在接下来的章节中充分利用了这种多功能性， 比如在处理卷积神经网络时。

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：

1. 一种将块逐个追加到列表中的函数。
2. 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OrderedDict
            self._modules[str(idx)] = module
    def forward(self, X):
        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。 你可能会好奇为什么每个Module都有一个_modules属性？ 以及为什么我们使用它而不是自己定义一个Python列表？ 简而言之，_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。

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

tensor([[-0.1680, -0.2637, -0.0627,  0.3287, -0.1013,  0.0048,  0.0051, -0.0412,
          0.0742,  0.1599],
        [-0.0933, -0.0875,  0.0237,  0.2638, -0.0091,  0.0325, -0.0429, -0.1468,
          0.0757,  0.0567]], grad_fn=<AddmmBackward>)

Sequential类使模型构造变得简单， 允许我们组合新的架构，而不必定义自己的类。 然而，并不是所有的架构都是简单的顺序架构。 当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 ⋅ w ⊤ x f(\mathbf{x},\mathbf{w}) = c \cdot \mathbf{w}^\top \mathbf{x} f(x,w)=c⋅w⊤x的层，其中 x \mathbf{x} x是输入， w \mathbf{w} w是参数， c c 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__()
        # rand_weight 参数不参与梯度的计算。其在训练期间保持不变
        self.rand_weight = torch.rand((20,20), requires_grad=False)
        self.linear = nn.Linear(20,20)
        
    def forward(self,X):
        X = self.linear(X)
        # relu(X*rand_weight)+1
        X = F.relu(torch.mm(X, self.rand_weight) + 1)
        # 复用全连接层。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 /= 2
        return X.sum()

在这个FixedHiddenMLP模型中，我们实现了一个隐藏层，其权重（self.rand_weight）在实例化时被随机初始化，之后为常量。这个权重不是一个模型参数，因此它永远不会被反向传播更新。然后，神经网络将这个固定层的输出通过一个全连接层。

注意，在返回输出之前，模型做了一些不寻常的事情：它运行了一个while循环，在 L 1 L_1 L1​范数大于 1 1 1的条件下，将输出向量除以 2 2 2，直到它满足条件为止。最后，模型返回了X中所有项的和。注意，此操作可能不会常用于在任何实际任务中，我们只是向你展示如何将任意代码集成到神经网络计算的流程中。

net = FixedHiddenMLP()
net(X)

tensor(0.1988, grad_fn=<SumBackward0>)

接下来，发动你的创造力，随性地创造一个网络吧

class DiyNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Sequential(nn.Linear(32,64),nn.ReLU(),
                                   nn.Linear(64,32),nn.ReLU())
        self.net = nn.Linear(20,32)
    def forward(self,X):
        X = self.linear(self.net(X))
        return X

net = nn.Sequential(DiyNet(), nn.Linear(32, 20), FixedHiddenMLP())
net(X)

tensor(-0.1404, grad_fn=<SumBackward0>)

• 一个块可以有许多层来组成，也可以有许多块组成
• 块可以包含控制流代码
• 块负责大量的内部处理，DIY块需要继承nn.Module，并编写__init__()来完成参数初始化和forward()计算输出,反向传播函数已经由父类完成。
• 层和块的计算顺序由nn.Sequential块处理。

1. 如果将MySequential中存储块的方式更改为Python列表，会出现什么样的问题？

2. 实现一个块，它以两个块为参数，例如net1和net2，并返回前向传播中两个网络的串联输出。这也被称为平行块。

3. 假设你想要连接同一网络的多个实例。实现一个函数，该函数生成同一个块的多个实例，并在此基础上构建更大的网络。

class MySequential(nn.Module):
    def __init__(self, *args):
        super().__init__()
        self.listModule = []
        for idx, module in enumerate(args):
            self.listModule.append(module)
            # 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_module的类型是OrderedDict
# self._modules[str(idx)] = module
    def forward(self, X):
        for block in self.listModule:
            X = block(X)
        return X

net = MySequential(nn.Linear(20,32),nn.ReLU(),nn.Linear(32,20))
net(X)

tensor([[-0.0612, -0.1418, -0.0905,  0.0409,  0.1905,  0.1036,  0.1557,  0.3216,
          0.0395, -0.1195,  0.0672, -0.1791, -0.1435,  0.0773,  0.1667, -0.1215,
          0.1542, -0.1962,  0.2450,  0.2124],
        [-0.1960, -0.1374, -0.0353,  0.0022,  0.0558,  0.2038,  0.1903,  0.1610,
          0.0320, -0.1472,  0.1041, -0.1667, -0.1272,  0.0225,  0.1342, -0.1349,
          0.0991, -0.1492,  0.1766,  0.1278]], grad_fn=<AddmmBackward>)

class parallelModule(nn.Module):
    def __init__(self, net1, net2):
        super().__init__()
        # 下面的这两种形式均可
# self.net1 = net1
# self.net2 = net2
        self._modules[str(1)] = net1
        self._modules[str(2)] = net2
# for idx, module in enumerate(args):
# self._modules[str(idx)] = module

    def forward(self, X):
        print(self._modules.values())
        for block in self._modules.values():
            X = block(X)
        return X

net = parallelModule(nn.Linear(20,32), nn.Linear(32,16))
net(X)

odict_values([Linear(in_features=20, out_features=32, bias=True), Linear(in_features=32, out_features=16, bias=True)])





tensor([[-0.3478, -0.1512, -0.1576, -0.1433, -0.1171, -0.0675, -0.0734, -0.1331,
         -0.2036, -0.1286, -0.0510,  0.2033,  0.0385, -0.0369,  0.0465, -0.0275],
        [-0.3107,  0.0292, -0.0291, -0.0682, -0.2303, -0.1109,  0.0330, -0.0092,
         -0.1638,  0.1893,  0.1081, -0.0902, -0.0447,  0.0637,  0.1928, -0.0880]],
       grad_fn=<AddmmBackward>)

def produceModule(number):
    modules = []
    for i in range(number):
        modules.append(parallelModule(nn.Linear(20,32), nn.Linear(32,20)))
    return modules

class modules(nn.Module):
    def __init__(self, modules):
        super().__init__()
        for idx, module in enumerate(modules):
            self._modules[str(idx)] = module
    
    def forward(self,X):
        for block in self._modules.values():
            X = block(X)
        return X

net = modules(modules = produceModule(3))
net(X)

odict_values([Linear(in_features=20, out_features=32, bias=True), Linear(in_features=32, out_features=20, bias=True)])
odict_values([Linear(in_features=20, out_features=32, bias=True), Linear(in_features=32, out_features=20, bias=True)])
odict_values([Linear(in_features=20, out_features=32, bias=True), Linear(in_features=32, out_features=20, bias=True)])

tensor([[-0.0147,  0.1805,  0.1106, -0.1826, -0.0328,  0.1273,  0.0278,  0.0042,
         -0.0744, -0.0244, -0.1791, -0.2220,  0.0312, -0.0530, -0.1900,  0.0511,
         -0.0481, -0.0406, -0.1171,  0.0160],
        [-0.0399,  0.1798,  0.1284, -0.2082, -0.0151,  0.1517,  0.0229, -0.0029,
         -0.0967, -0.0365, -0.1746, -0.2165,  0.0179, -0.0278, -0.2012,  0.0635,
         -0.0227, -0.0541, -0.1252, -0.0161]], grad_fn=<AddmmBackward>)