對于多層感知機而言，整個模型做的事情就是接收輸入生成輸出。但是并不是所有的多層神經(jīng)網(wǎng)絡都一樣，所以為了實現(xiàn)復雜的神經(jīng)網(wǎng)絡就需要神經(jīng)網(wǎng)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(shù)，并且必須存儲任何必需的參數(shù)。注意，有些塊不需要任何參數(shù)。最后，為了計算梯度，塊必須具有反向傳播函數(shù)。幸運的是，在定義我們自己的塊時，由于autograd 中引入）提供了一些后端實現(xiàn)，我們只需要考慮正向傳播函數(shù)和必需的參數(shù)。
這一部分我們就要自定義自己的層和塊。
先用實現(xiàn)一個簡單的多層感知機：
|
1
2
3
4
5
6
7
8
|
import torchfrom torch import nnfrom 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) |
這個多層感知機包含一個具有256個單元和ReLU激活函數(shù)的全連接的隱藏層，然后是一個具有10個隱藏單元且不帶激活函數(shù)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(zhí)行順序就是傳入?yún)?shù)的順序。
- nn.Sequential定義了一種特殊的Module，即在PyTorch中表示一個塊的類。它維護了一個由Module組成的有序列表（Linear類是Module的子類）。
- 正向傳播（forward）函數(shù)：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(diào)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么，繼續(xù)往下看。）
我們也可以自己手寫一個多層感知機：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
class MLP(nn.Module): def __init__(self): # 調(diào)用`MLP`的父類的構造函數(shù)來執(zhí)行必要的初始化。 # 這樣，在類實例化時也可以指定其他函數(shù)參數(shù)，例如模型參數(shù)`params`（稍后將介紹） 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(jù)輸入`X`返回所需的模型輸出 def forward(self, X): # 注意，這里我們使用ReLU的函數(shù)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(diào)用父類的__init__函數(shù)，省去了重復編寫適用于大多數(shù)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(xiàn)一個新的運算符，否則我們不用擔心反向傳播函數(shù)或參數(shù)初始化，系統(tǒng)將自動生成這些。
前邊說調(diào)用net() 就相當于調(diào)用net.__call__(X)，因為我們在自己的MLP中寫了forward，但是我們沒有調(diào)用，只使用net() 他就自動執(zhí)行forward了。就是因為會自動調(diào)用.__call__函數(shù)使forward執(zhí)行。
說完后兩條說第一條：
有序是怎么實現(xiàn)的，構建構一個簡化的MySequential：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
class MySequential(nn.Module): def __init__(self, *args): super().__init__() for block in args: # 這里，`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保證了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類提供了與默認Sequential類相同的功能。
|
1
2
|
net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))net(X) |
用MySequential類實現(xiàn)的多層感知機和Sequential類實現(xiàn)的一樣。
注意這里只是寫出了其執(zhí)行順序，是簡化版的Sequential類！
到此這篇關于人工智能學習PyTorch教程之層和塊的文章就介紹到這了,更多相關PyTorch 層和塊內(nèi)容請搜索服務器之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持服務器之家！
原文鏈接：https://blog.51cto.com/Lolitann/4682377
