本章代碼：https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson3/module_containers.py
這篇文章來看下 PyTorch 中網絡模型的創建步驟。網絡模型的內容如下，包括模型創建和權值初始化，這些內容都在nn.Module中有實現。
網絡模型的創建步驟
創建模型有 2 個要素：構建子模塊和拼接子模塊。如 LeNet 里包含很多卷積層、池化層、全連接層，當我們構建好所有的子模塊之后，按照一定的順序拼接起來。
這里以上一篇文章中 `lenet.py`的 LeNet 為例，繼承`nn.Module`，必須實現`__init__()` 方法和`forward()`方法。其中`__init__()` 方法里創建子模塊，在`forward()`方法里拼接子模塊。
class LeNet(nn.Module):
# 子模塊創建
def __init__(self, classes):
super(LeNet, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16*5*5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, classes)
# 子模塊拼接
def forward(self, x):
out = F.relu(self.conv1(x))
out = F.max_pool2d(out, 2)
out = F.relu(self.conv2(out))
out = F.max_pool2d(out, 2)
out = out.view(out.size(0), -1)
out = F.relu(self.fc1(out))
out = F.relu(self.fc2(out))
out = self.fc3(out)
return out
當我們調用net = LeNet(classes=2)創建模型時，會調用__init__()方法創建模型的子模塊。
當我們在訓練時調用outputs = net(inputs)時，會進入module.py的call()函數中：
def __call__(self, *input, **kwargs):
for hook in self._forward_pre_hooks.values():
result = hook(self, input)
if result is not None:
if not isinstance(result, tuple):
result = (result,)
input = result
if torch._C._get_tracing_state():
result = self._slow_forward(*input, **kwargs)
else:
result = self.forward(*input, **kwargs)
...
...
...
最終會調用result = self.forward(*input, **kwargs)函數，該函數會進入模型的forward()函數中，進行前向傳播。
在 torch.nn中包含 4 個模塊，如下圖所示。
其中所有網絡模型都是繼承於`nn.Module`的，下面重點分析`nn.Module`模塊。
nn.Module
nn.Module 有 8 個屬性，都是OrderDict(有序字典)。在 LeNet 的__init__()方法中會調用父類nn.Module的__init__()方法，創建這 8 個屬性。
def __init__(self):
"""
Initializes internal Module state, shared by both nn.Module and ScriptModule.
"""
torch._C._log_api_usage_once("python.nn_module")
self.training = True
self._parameters = OrderedDict()
self._buffers = OrderedDict()
self._backward_hooks = OrderedDict()
self._forward_hooks = OrderedDict()
self._forward_pre_hooks = OrderedDict()
self._state_dict_hooks = OrderedDict()
self._load_state_dict_pre_hooks = OrderedDict()
self._modules = OrderedDict()
- _parameters 屬性：存儲管理 nn.Parameter 類型的參數
- _modules 屬性：存儲管理 nn.Module 類型的參數
- _buffers 屬性：存儲管理緩沖屬性，如 BN 層中的 running_mean
- 5 個 ***_hooks 屬性：存儲管理鈎子函數
其中比較重要的是parameters和modules屬性。
在 LeNet 的__init__()中創建了 5 個子模塊，nn.Conv2d()和nn.Linear()都是 繼承於nn.module，也就是說一個 module 都是包含多個子 module 的。
class LeNet(nn.Module):
# 子模塊創建
def __init__(self, classes):
super(LeNet, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16*5*5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, classes)
...
...
...
當調用net = LeNet(classes=2)創建模型后，net對象的 modules 屬性就包含了這 5 個子網絡模塊。
下面看下每個子模塊是如何添加到 LeNet 的`_modules` 屬性中的。以`self.conv1 = nn.Conv2d(3, 6, 5)`為例，當我們運行到這一行時，首先 Step Into 進入 `Conv2d`的構造，然后 Step Out。右鍵`Evaluate Expression`查看`nn.Conv2d(3, 6, 5)`的屬性。
上面說了`Conv2d`也是一個 module，里面的`_modules`屬性為空，`_parameters`屬性里包含了該卷積層的可學習參數，這些參數的類型是 Parameter，繼承自 Tensor。
此時只是完成了`nn.Conv2d(3, 6, 5)` module 的創建。還沒有賦值給`self.conv1 `。在`nn.Module`里有一個機制，會攔截所有的類屬性賦值操作(`self.conv1`是類屬性)，進入到`__setattr__()`函數中。我們再次 Step Into 就可以進入`__setattr__()`。
def __setattr__(self, name, value):
def remove_from(*dicts):
for d in dicts:
if name in d:
del d[name]
params = self.__dict__.get('_parameters')
if isinstance(value, Parameter):
if params is None:
raise AttributeError(
"cannot assign parameters before Module.__init__() call")
remove_from(self.__dict__, self._buffers, self._modules)
self.register_parameter(name, value)
elif params is not None and name in params:
if value is not None:
raise TypeError("cannot assign '{}' as parameter '{}' "
"(torch.nn.Parameter or None expected)"
.format(torch.typename(value), name))
self.register_parameter(name, value)
else:
modules = self.__dict__.get('_modules')
if isinstance(value, Module):
if modules is None:
raise AttributeError(
"cannot assign module before Module.__init__() call")
remove_from(self.__dict__, self._parameters, self._buffers)
modules[name] = value
elif modules is not None and name in modules:
if value is not None:
raise TypeError("cannot assign '{}' as child module '{}' "
"(torch.nn.Module or None expected)"
.format(torch.typename(value), name))
modules[name] = value
...
...
...
在這里判斷 value 的類型是Parameter還是Module，存儲到對應的有序字典中。
這里nn.Conv2d(3, 6, 5)的類型是Module，因此會執行modules[name] = value，key 是類屬性的名字conv1，value 就是nn.Conv2d(3, 6, 5)。
總結
- 一個 module 里可包含多個子 module。比如 LeNet 是一個 Module，里面包括多個卷積層、池化層、全連接層等子 module
- 一個 module 相當於一個運算，必須實現 forward() 函數
- 每個 module 都有 8 個字典管理自己的屬性
模型容器
除了上述的模塊之外，還有一個重要的概念是模型容器 (Containers)，常用的容器有 3 個，這些容器都是繼承自nn.Module。
- nn.Sequetial：按照順序包裝多個網絡層
- nn.ModuleList：像 python 的 list 一樣包裝多個網絡層，可以迭代
- nn.ModuleDict：像 python 的 dict 一樣包裝多個網絡層，通過 (key, value) 的方式為每個網絡層指定名稱。
nn.Sequetial
在傳統的機器學習中，有一個步驟是特征工程，我們需要從數據中認為地提取特征，然后把特征輸入到分類器中預測。在深度學習的時代，特征工程的概念被弱化了，特征提取和分類器這兩步被融合到了一個神經網絡中。在卷積神經網絡中，前面的卷積層以及池化層可以認為是特征提取部分，而后面的全連接層可以認為是分類器部分。比如 LeNet 就可以分為特征提取和分類器兩部分，這 2 部分都可以分別使用 nn.Seuqtial 來包裝。
代碼如下：
class LeNetSequetial(nn.Module):
def __init__(self, classes):
super(LeNet2, self).__init__()
self.features = nn.Sequential(
nn.Conv2d(3, 6, 5),
nn.ReLU(),
nn.MaxPool2d(2, 2),
nn.Conv2d(6, 16, 5),
nn.ReLU(),
nn.MaxPool2d(2, 2)
)
self.classifier = nn.Sequential(
nn.Linear(16*5*5, 120),
nn.ReLU(),
nn.Linear(120, 84),
nn.ReLU(),
nn.Linear(84, classes)
)
def forward(self, x):
x = self.features(x)
x = x.view(x.size()[0], -1)
x = self.classifier(x)
return x
在初始化時，nn.Sequetial會調用__init__()方法，將每一個子 module 添加到 自身的_modules屬性中。這里可以看到，我們傳入的參數可以是一個 list，或者一個 OrderDict。如果是一個 OrderDict，那么則使用 OrderDict 里的 key，否則使用數字作為 key (OrderDict 的情況會在下面提及)。
def __init__(self, *args):
super(Sequential, self).__init__()
if len(args) == 1 and isinstance(args[0], OrderedDict):
for key, module in args[0].items():
self.add_module(key, module)
else:
for idx, module in enumerate(args):
self.add_module(str(idx), module)
網絡初始化完成后有兩個子 module：features和classifier。
而`features`中的子 module 如下，每個網絡層以序號作為 key：
在進行前向傳播時，會進入 LeNet 的`forward()`函數，首先調用第一個`Sequetial`容器：`self.features`，由於`self.features`也是一個 module，因此會調用`__call__()`函數，里面調用
result = self.forward(*input, **kwargs)，進入nn.Seuqetial的forward()函數，在這里依次調用所有的 module。
def forward(self, input):
for module in self:
input = module(input)
return input
在上面可以看到在nn.Sequetial中，里面的每個子網絡層 module 是使用序號來索引的，即使用數字來作為 key。一旦網絡層增多，難以查找特定的網絡層，這種情況可以使用 OrderDict (有序字典)。代碼中使用
class LeNetSequentialOrderDict(nn.Module):
def __init__(self, classes):
super(LeNetSequentialOrderDict, self).__init__()
self.features = nn.Sequential(OrderedDict({
'conv1': nn.Conv2d(3, 6, 5),
'relu1': nn.ReLU(inplace=True),
'pool1': nn.MaxPool2d(kernel_size=2, stride=2),
'conv2': nn.Conv2d(6, 16, 5),
'relu2': nn.ReLU(inplace=True),
'pool2': nn.MaxPool2d(kernel_size=2, stride=2),
}))
self.classifier = nn.Sequential(OrderedDict({
'fc1': nn.Linear(16*5*5, 120),
'relu3': nn.ReLU(),
'fc2': nn.Linear(120, 84),
'relu4': nn.ReLU(inplace=True),
'fc3': nn.Linear(84, classes),
}))
...
...
...
總結
nn.Sequetial是nn.Module的容器，用於按順序包裝一組網絡層，有以下兩個特性。
- 順序性：各網絡層之間嚴格按照順序構建，我們在構建網絡時，一定要注意前后網絡層之間輸入和輸出數據之間的形狀是否匹配
- 自帶
forward()函數：在nn.Sequetial的forward()函數里通過 for 循環依次讀取每個網絡層，執行前向傳播運算。這使得我們我們構建的模型更加簡潔
nn.ModuleList
nn.ModuleList是nn.Module的容器，用於包裝一組網絡層，以迭代的方式調用網絡層，主要有以下 3 個方法：
- append()：在 ModuleList 后面添加網絡層
- extend()：拼接兩個 ModuleList
- insert()：在 ModuleList 的指定位置中插入網絡層
下面的代碼通過列表生成式來循環迭代創建 20 個全連接層，非常方便，只是在 forward()函數中需要手動調用每個網絡層。
class ModuleList(nn.Module):
def __init__(self):
super(ModuleList, self).__init__()
self.linears = nn.ModuleList([nn.Linear(10, 10) for i in range(20)])
def forward(self, x):
for i, linear in enumerate(self.linears):
x = linear(x)
return x
net = ModuleList()
print(net)
fake_data = torch.ones((10, 10))
output = net(fake_data)
print(output)
nn.ModuleDict
nn.ModuleDict是nn.Module的容器，用於包裝一組網絡層，以索引的方式調用網絡層，主要有以下 5 個方法：
- clear()：清空 ModuleDict
- items()：返回可迭代的鍵值對 (key, value)
- keys()：返回字典的所有 key
- values()：返回字典的所有 value
- pop()：返回一對鍵值，並從字典中刪除
下面的模型創建了兩個ModuleDict：self.choices和self.activations，在前向傳播時通過傳入對應的 key 來執行對應的網絡層。
class ModuleDict(nn.Module):
def __init__(self):
super(ModuleDict, self).__init__()
self.choices = nn.ModuleDict({
'conv': nn.Conv2d(10, 10, 3),
'pool': nn.MaxPool2d(3)
})
self.activations = nn.ModuleDict({
'relu': nn.ReLU(),
'prelu': nn.PReLU()
})
def forward(self, x, choice, act):
x = self.choices[choice](x)
x = self.activations[act](x)
return x
net = ModuleDict()
fake_img = torch.randn((4, 10, 32, 32))
output = net(fake_img, 'conv', 'relu')
# output = net(fake_img, 'conv', 'prelu')
print(output)
容器總結
- nn.Sequetial：順序性，各網絡層之間嚴格按照順序執行，常用於 block 構建，在前向傳播時的代碼調用變得簡潔
- nn.ModuleList：迭代行，常用於大量重復網絡構建，通過 for 循環實現重復構建
- nn.ModuleDict：索引性，常用於可選擇的網絡層
PyTorch 中的 AlexNet
AlexNet 是 Hinton 和他的學生等人在 2012 年提出的卷積神經網絡，以高出第二名 10 多個百分點的准確率獲得 ImageNet 分類任務冠軍，從此卷積神經網絡開始在世界上流行，是划時代的貢獻。
AlexNet 特點如下：
- 采用 ReLU 替換飽和激活 函數，減輕梯度消失
- 采用 LRN (Local Response Normalization) 對數據進行局部歸一化，減輕梯度消失
- 采用 Dropout 提高網絡的魯棒性，增加泛化能力
- 使用 Data Augmentation，包括 TenCrop 和一些色彩修改
AlexNet 的網絡結構可以分為兩部分：features 和 classifier。
在`PyTorch`的計算機視覺庫`torchvision.models`中的 AlexNet 的代碼中，使用了`nn.Sequential`來封裝網絡層。
class AlexNet(nn.Module):
def __init__(self, num_classes=1000):
super(AlexNet, self).__init__()
self.features = nn.Sequential(
nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Conv2d(64, 192, kernel_size=5, padding=2),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Conv2d(192, 384, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.Conv2d(384, 256, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.Conv2d(256, 256, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
)
self.avgpool = nn.AdaptiveAvgPool2d((6, 6))
self.classifier = nn.Sequential(
nn.Dropout(),
nn.Linear(256 * 6 * 6, 4096),
nn.ReLU(inplace=True),
nn.Dropout(),
nn.Linear(4096, 4096),
nn.ReLU(inplace=True),
nn.Linear(4096, num_classes),
)
def forward(self, x):
x = self.features(x)
x = self.avgpool(x)
x = torch.flatten(x, 1)
x = self.classifier(x)
return x
參考資料
如果你覺得這篇文章對你有幫助，不妨點個贊，讓我有更多動力寫出好文章。