深度学习与Pytorch入门实战（十）ResNet&nn.Module

摘抄

1. ResNet

2. nn.Module

• 在PyTorch中nn.Module类是用于 定义网络中 前向结构 的父类

• 当要定义自己的网络结构时就要继承这个类

• 现有的那些类式接口（如nn.Linear、nn.BatchNorm2d、nn.Conv2d等）也是继承这个类的

• nn.Module类可以嵌套若干nn.Module的对象，来形成网络结构的嵌套组合

• 下面记录nn.Module的功能

3. 继承nn.Module类的模块

• 使用其初始化函数创建对象，然后调用forward函数就能使用里面的前向计算过程。

• 包括：Linear、ReLU、Sigmoid、Conv2d、ConvTransposed2d、Dropout...

4. 容器nn.Sequential()

• nn.Sequential是一个Sequential容器

• 模块将按照 构造函数中传递的顺序 添加到模块中。

• 通俗的说，就是根据自己的需求，把不同的函数组合成一个（小的）模块使用 或者 把组合的模块添加到自己的网络中。

from torch import nn

conv_module = nn.Sequential(
          nn.Conv2d(1,20,5),
          nn.ReLU(),
          nn.Conv2d(20,64,5),
          nn.ReLU()
        )

# 具体的使用方法
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv_module = nn.Sequential(
          nn.Conv2d(1,20,5),
          nn.ReLU(),
          nn.Conv2d(20,64,5),
          nn.ReLU()
        )

    def forward(self, input):
        out = self.conv_module(input)
        return out

Tip：

• 使用nn.Module，我们可以根据自己的需求改变传播过程，如RNN等;

• 如果需要快速构建或者不需要过多的过程，直接使用nn.Sequential。

5. 模块内部参数管理

可以用 .parameters() 或者 .named_parameters() 返回 其内的所有参数的迭代器：

from torch import nn

net = nn.Sequential(
      nn.Linear(4, 2),          # 输入维度4，输出维度2 的线性层
      nn.Linear(2, 2)
    )

print(list(net.parameters()))
# [Parameter containing:
# tensor([[-0.0829,  0.3424,  0.4514, -0.3981],
#         [-0.3401,  0.1429, -0.4525,  0.4991]], requires_grad=True),
# Parameter containing:
# tensor([-0.0321,  0.0872], requires_grad=True),
# Parameter containing:
# tensor([[ 0.0628,  0.3092],
#         [ 0.5135, -0.4738]], requires_grad=True),
# Parameter containing:
# tensor([-0.4249,  0.3921], requires_grad=True)]

print(dict(net.named_parameters()))
# {'0.weight': Parameter containing:
# tensor([[-0.0829,  0.3424,  0.4514, -0.3981],
#         [-0.3401,  0.1429, -0.4525,  0.4991]], requires_grad=True),
# '0.bias': Parameter containing:
# tensor([-0.0321,  0.0872], requires_grad=True),
# '1.weight': Parameter containing:
# tensor([[ 0.0628,  0.3092],
#         [ 0.5135, -0.4738]], requires_grad=True),
# '1.bias': Parameter containing:
# tensor([-0.4249,  0.3921], requires_grad=True)}

Tip：

• 以第0层为例，weight.shape=[2,4]，输出维度在前，输入维度在后，和Linear定义的时候相反；

• 相比.parameters()，.named_parameters()能看到参数名，默认情况下会使用 所在的层数 + 参数类型 的方式，从0层开始编号；

• 使用优化器时，可以直接调用 nn.Module 类定义的参数。

optimizer = optim.SGD(net.parameters(), lr=learning_rate)

6. 模块树形结构

• 模块之间通过 嵌套组合 会形成树形结构，使用.children()可以 获取其直接孩子结点

• 使用.modules()可以 获取其所有子结点。

from torch import nn

class BaseNet(nn.Module):
    
    def __init__(self):
#         super(BaseNet, self).__init__()  # python2写法
        super().__init__()
        self.net = nn.Linear(4, 3)     # 输入4维，输出3维的线性层

    def forward(self, x):
        return self.net(x)
    
class MyNet(nn.Module):
    
    def __init__(self):
        super(MyNet, self).__init__()  # 使用Seq容器组合了三个模块
        self.net = nn.Sequential(
            BaseNet(), 
            nn.ReLU(),
            nn.Linear(3, 2)
        )
    
    def forward(self, x):
        return self.net(x)
    
my_net = MyNet()

print(list(my_net.children()))   # 直接孩子
# [Sequential(
#   (0): BaseNet(
#     (net): Linear(in_features=4, out_features=3, bias=True)
#   )
#   (1): ReLU()
#   (2): Linear(in_features=3, out_features=2, bias=True)
# )]

print(list(my_net.modules()))   # 所有孩子
# [MyNet(
#   (net): Sequential(
#     (0): BaseNet(
#       (net): Linear(in_features=4, out_features=3, bias=True)
#     )
#     (1): ReLU()
#     (2): Linear(in_features=3, out_features=2, bias=True)
#   )
# ), 
# Sequential(
#   (0): BaseNet(
#     (net): Linear(in_features=4, out_features=3, bias=True)
#   )
#   (1): ReLU()
#   (2): Linear(in_features=3, out_features=2, bias=True)
# ), 
# BaseNet(
#   (net): Linear(in_features=4, out_features=3, bias=True)
# ), 
# Linear(in_features=4, out_features=3, bias=True), ReLU(), Linear(in_features=3, out_features=2, bias=True)]

• .children()只返回自己的直系孩子列表，在这里也就是一个nn.Sequential容器。

• 而使用.modules()获取的所有孩子是包括自己的。

7. 设备

• 使用.to(device)可以在具体的CPU/GPU上切换，这会将其所有子模块也一起转移过去运行。

device = torch.device('cuda')

net = Net()

net.to(device)

Tip：

• 模块的.to(device)是原地操作并返回自己的引用

• 而Tensor的 .to(device) 不会在当前Tensor上操作，返回的 才是在目标设备上对应创建的Tensor

  • 所以net = MLP().to(device)。

8. 加载和保存

• 使用torch.load()载入检查点文件，然后传入net.load_state_dict()网络模型设置参数

• 把当前类所有状态net.state_dict()传入torch.save()保存到文件中去。

• 在训练过程中，每隔一定的迭代次数可以保存一下检查点，将当前网络模型的状态传进去。

• eg. ckpt.mdl是网络的一个中间状态

net.load_state_dict(torch.load('ckpt.mdl'))

# train...

torch.save(net.state_dict(), 'ckpt.mdl')

9. 训练和测试模式

• 前面的学习中提到Dropout和Batch Normalization在训练和测试中的行为不同

• 需要对每一个nn.Module()模块 单独设置训练状态和测试状态

• 可以直接为网络使用方法.train() 切换到训练模式，使用.eval()方法 切换到测试模式。

# train
net.train()
...
# test
net.eval()
...

10. 实现自定义的类

10.1 nn.Sequential用法

class Flatten(nn.Module):

    def __init__(self):
        super(Flatten, self).__init__()
    def forward(self, input):
        return input.view(input.size(0), -1)


class TestNet(nn.Module):

    def __init__(self):
        super(TestNet, self).__init__()
        self.net = nn.Sequential(nn.Conv2d(1, 16, stride=1, padding=1),
                                 nn.MaxPool2d(2, 2),
                                 Flatten(),
                                 nn.Linear(1*14*14, 10))
    def forward(self, x):
        return self.net(x)

Tip：

• 只有类才能写到Sequential里面，比如F.relu不可以，要重新定义nn.ReLU

• 如，Flatten类，Reshape类都需要自己实现！

10.2 nn.Parameters 和 .parameters()

• 如果在继承nn.Module类来实现模块时，出现需要操作Tensor的部分，那么应当使用nn.Parameters（注意这里P大写） 将其包装起来。

• 如果直接使用Tensor，那么就不能用.parameters()（注意这里p小写）获取到所有参数，也就不能直接传给优化器去记录要优化的这些参数了。

class MyLinear(nn.Module):
    def __init__(self, inp, outp):
        super(MyLinear, self).__init__()
        # 线性层的参数w和b,对w而言输出维度放在前面
        # requires_grad = True
        self.w = nn.Parameter(torch.randn(outp, inp))   # w: [n^l, n^{l-1}]
        self.b = nn.Parameter(torch.randn(outp))

    def forward(self, x):
        x = x @ self.w.t() + self.b
        return x

Tip：

• 上述MyLinear 和 pytorch自带的Linear类效果一样

• 使用nn.Parameter()包装Tensor时，自动设置了requires_grad=True

• 即默认情况下认为它是反向传播优化的参数。