本文是PyTorch使用過程中的的一些總結，有以下內容：

• 構建網絡模型的方法
• 網絡層的遍歷
• 各層參數的遍歷
• 模型的保存與加載
• 從預訓練模型為網絡參數賦值

主要涉及到以下函數的使用

• add_module,ModulesList,Sequential 模型創建
• modules(),named_modules(),children(),named_children() 訪問模型的各個子模塊
• parameters(),named_parameters() 網絡參數的遍歷
• save(),load()，state_dict() 模型的保存與加載

構建網絡

torch.nn.Module是所有網絡的基類，在Pytorch實現的Model都要繼承該類。而且，Module是可以包含其他的Module的，以樹形的結構來表示一個網絡結構。

簡單的定義一個網絡Model

class Model(nn.Module): def __init__(self): super(Model,self).__init__() self.conv1 = nn.Conv2d(3,64,3) self.conv2 = nn.Conv2d(64,64,3) def forward(self,x): x = self.conv1(x) x = self.conv2(x) return x 

Model中兩個屬性conv1和conv2是兩個卷積層，在正向傳播的過程中，再依次調用這兩個卷積層。

除了使用Model的屬性來為網絡添加層外，還可以使用add_module將網絡層添加到網絡中。

class Model(nn.Module): def __init__(self): super(Model,self).__init__() self.conv1 = nn.Conv2d(3,64,3) self.conv2 = nn.Conv2d(64,64,3) self.add_module("maxpool1",nn.MaxPool2d(2,2)) self.add_module("covn3",nn.Conv2d(64,128,3)) self.add_module("conv4",nn.Conv2d(128,128,3)) def forward(self,x): x = self.conv1(x) x = self.conv2(x) x = self.maxpool1(x) x = self.conv3(x) x = self.conv4(x) return x 

add_module(name,layer)在正向傳播的過程中可以使用添加時的name來訪問改layer。

這樣一個個的添加layer，在簡單的網絡中還行，但是對於負責的網絡層很多的網絡來說就需要敲很多重復的代碼了。 這就需要使用到torch.nn.ModuleList和torch.nn.Sequential。

使用ModuleList和Sequential可以方便添加子網絡到網絡中，但是這兩者還是有所不同的。

ModuleList

ModuleList是以list的形式保存sub-modules或者網絡層，這樣就可以先將網絡需要的layer構建好保存到一個list，然后通過ModuleList方法添加到網絡中。

class MyModule(nn.Module): def __init__(self): super(MyModule,self).__init__() # 構建layer的list self.linears = nn.ModuleList([nn.Linear(10, 10) for i in range(10)]) def forward(self,x): # 正向傳播，使用遍歷每個Layer for i, l in enumerate(self.linears): x = self.linears[i // 2](x) + l(x) return x 

使用[nn.Linear(10, 10) for i in range(10)]構建要給Layer的list，然后使用ModuleList添加到網絡中，在正向傳播的過程中，遍歷該list。

更為方便的是，可以提前配置后，所需要的各個Layer的屬性，然后讀取配置創建list，然后使用ModuleList將配置好的網絡層添加到網絡中。 以VGG為例：

vgg_cfg = [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'C', 512, 512, 512, 'M', 512, 512, 512, 'M'] def vgg(cfg, i, batch_norm=False): layers = [] in_channels = i for v in cfg: if v == 'M': layers += [nn.MaxPool2d(kernel_size=2, stride=2)] elif v == 'C': layers += [nn.MaxPool2d(kernel_size=2, stride=2, ceil_mode=True)] else: conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1) if batch_norm: layers += [conv2d, nn.BatchNorm2d(v), nn.ReLU(inplace=True)] else: layers += [conv2d, nn.ReLU(inplace=True)] in_channels = v return layers class Model1(nn.Module): def __init__(self): super(Model1,self).__init__() self.vgg = nn.ModuleList(vgg(vgg_cfg,3)) def forward(self,x): for l in self.vgg: x = l(x) m1 = Model1() print(m1) 

讀取配置好的網絡結構vgg_cfg然后，創建相應的Layer List，使用ModuleList加入到網絡中。這樣就可以很靈活的創建不同的網絡。

這里需要注意的是，ModuleList是將Module加入網絡中，需要自己手動的遍歷進行每一個Module的forward。

Sequential

一個時序容器。Modules 會以他們傳入的順序被添加到容器中。當然，也可以傳入一個OrderedDict一個時序容器。Modules 會以他們傳入的順序被添加到容器中。當然，也可以傳入一個OrderedDict。
Sequential也是一次加入多個Module到網絡中中，和ModuleList不同的是，它接受多個Module依次加入到網絡中，還可以接受字典作為參數，例如：

# Example of using Sequential model = nn.Sequential( nn.Conv2d(1,20,5), nn.ReLU(), nn.Conv2d(20,64,5), nn.ReLU() ) # Example of using Sequential with OrderedDict model = nn.Sequential(OrderedDict([ ('conv1', nn.Conv2d(1,20,5)), ('relu1', nn.ReLU()), ('conv2', nn.Conv2d(20,64,5)), ('relu2', nn.ReLU()) ])) 

另一個是，Sequential中實現了添加Module的forward，不需要手動的循環調用了。這點相比ModuleList較為方便。

總結

常見的有三種方法來添加子Module到網絡中

• 單獨添加一個Module，可以使用屬性或者add_module方法。
• ModuleList可以將一個Module的List加入到網絡中，自由度較高，但是需要手動的遍歷ModuleList進行forward。
• Sequential按照順序將將Module加入到網絡中，也可以處理字典。 相比於ModuleList不需要自己實現forward

遍歷網絡結構

可以使用以下2對4個方法來訪問網絡層所有的Modules

• modules() 和 named_modules()
• children() 和 named_children()

modules方法

簡單的定義一個如下網絡：

class Model(nn.Module): def __init__(self): super(Model,self).__init__() self.conv1 = nn.Conv2d(in_channels=3,out_channels=64,kernel_size=3) self.conv2 = nn.Conv2d(64,64,3) self.maxpool1 = nn.MaxPool2d(2,2) self.features = nn.Sequential(OrderedDict([ ('conv3', nn.Conv2d(64,128,3)), ('conv4', nn.Conv2d(128,128,3)), ('relu1', nn.ReLU()) ])) def forward(self,x): x = self.conv1(x) x = self.conv2(x) x = self.maxpool1(x) x = self.features(x) return x 

modules()方法，返回一個包含當前模型所有模塊的迭代器，這個是遞歸的返回網絡中的所有Module。使用如下語句

    m = Model()
    for idx,m in enumerate(m.modules()): print(idx,"-",m) 

其結果為：

0 - Model( (conv1): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1)) (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1)) (maxpool1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (features): Sequential( (conv3): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1)) (conv4): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1)) (relu1): ReLU() ) ) 1 - Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1)) 2 - Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1)) 3 - MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) 4 - Sequential( (conv3): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1)) (conv4): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1)) (relu1): ReLU() ) 5 - Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1)) 6 - Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1)) 7 - ReLU() 

輸出結果解析：

• 0-Model 整個網絡模塊
• 1-2-3-4 為網絡的4個子模塊，注意4 - Sequential仍然包含有子模塊
• 5-6-7為模塊4 - Sequential的子模塊

可以看出modules()是遞歸的返回網絡的各個module，從最頂層直到最后的葉子module。

named_modules()的功能和modules()的功能類似，不同的是它返回內容有兩部分:module的名稱以及module。

children()方法

和modules()不同，children()只返回當前模塊的子模塊，不會遞歸子模塊。

    for idx,m in enumerate(m.children()): print(idx,"-",m) 

其輸出為：

0 - Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1)) 1 - Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1)) 2 - MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) 3 - Sequential( (conv3): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1)) (conv4): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1)) (relu1): ReLU() ) 

子模塊3-Sequential仍然有子模塊，children()沒有遞歸的返回。
named_children()和children()的功能類似，不同的是其返回兩部分內容：模塊的名稱以及模塊本身。

網絡的參數

方法parameters()返回一個包含模型所有參數的迭代器。一般用來當作optimizer的參數。

    for p in m.parameters(): print(type(p.data),p.size()) 

其輸出為：

<class 'torch.Tensor'> torch.Size([128, 64, 3, 3]) <class 'torch.Tensor'> torch.Size([128]) <class 'torch.Tensor'> torch.Size([128, 128, 3, 3]) <class 'torch.Tensor'> torch.Size([128]) 

包含網絡中的所有的權值矩陣參數以及偏置參數。 對網絡進行訓練時需要將parameters()作為優化器optimizer的參數。

optimizer = torch.optim.SGD(m1.parameters(),lr = args.lr,momentum=args.momentum,weight_decay=args.weight_decay)

parameters()返回網絡的所有參數，主要是提供給optimizer用的。而要取得網絡某一層的參數或者參數進行一些特殊的處理（如fine-tuning)，則使用named_parameters()更為方便些。

named_parameters()返回參數的名稱及參數本身，可以按照參數名對一些參數進行處理。

以上面的vgg網絡為例：

for k,v in m1.named_parameters(): print(k,v.size()) 

named_parameters返回的是鍵值對，k為參數的名稱 ，v為參數本身。輸出結果為：

vgg.0.weight torch.Size([64, 3, 3, 3]) vgg.0.bias torch.Size([64]) vgg.2.weight torch.Size([64, 64, 3, 3]) vgg.2.bias torch.Size([64]) vgg.5.weight torch.Size([128, 64, 3, 3]) vgg.5.bias torch.Size([128]) vgg.7.weight torch.Size([128, 128, 3, 3]) vgg.7.bias torch.Size([128]) vgg.10.weight torch.Size([256, 128, 3, 3]) vgg.10.bias torch.Size([256]) vgg.12.weight torch.Size([256, 256, 3, 3]) vgg.12.bias torch.Size([256]) vgg.14.weight torch.Size([256, 256, 3, 3]) vgg.14.bias torch.Size([256]) vgg.17.weight torch.Size([512, 256, 3, 3]) vgg.17.bias torch.Size([512]) vgg.19.weight torch.Size([512, 512, 3, 3]) vgg.19.bias torch.Size([512]) vgg.21.weight torch.Size([512, 512, 3, 3]) vgg.21.bias torch.Size([512]) vgg.24.weight torch.Size([512, 512, 3, 3]) vgg.24.bias torch.Size([512]) vgg.26.weight torch.Size([512, 512, 3, 3]) vgg.26.bias torch.Size([512]) vgg.28.weight torch.Size([512, 512, 3, 3]) vgg.28.bias torch.Size([512]) 

參數名的命名規則屬性名稱.參數屬於的層的編號.weight/bias。 這在fine-tuning的時候，給一些特定的層的參數賦值是非常方便的，這點在后面在加載預訓練模型時會看到。

模型的保存與加載

PyTorch使用torch.save和torch.load方法來保存和加載網絡，而且網絡結構和參數可以分開的保存和加載。

• 保存網絡結構及其參數

torch.save(model,'model.pth') # 保存 model = torch.load("model.pth") # 加載 

• 只加載模型參數，網絡結構從代碼中創建

torch.save(model.state_dict(),"model.pth") # 保存參數 model = model() # 代碼中創建網絡結構 params = torch.load("model.pth") # 加載參數 model.load_state_dict(params) # 應用到網絡結構中 

加載預訓練模型

PyTorch中的torchvision里有很多常用網絡的預訓練模型，例如：vgg,resnet,googlenet等，可以方便的使用這些預訓練模型進行微調。

# PyTorch中的torchvision里有很多常用的模型，可以直接調用： import torchvision.models as models resnet101 = models.resnet18(pretrained=True) alexnet = models.alexnet() squeezenet = models.squeezenet1_0() 

有時候只需要加載預訓練模型的部分參數，可以使用參數名作為過濾條件，如下

resnet152 = models.resnet152(pretrained=True) pretrained_dict = resnet152.state_dict() """加載torchvision中的預訓練模型和參數后通過state_dict()方法提取參數 也可以直接從官方model_zoo下載： pretrained_dict = model_zoo.load_url(model_urls['resnet152'])""" model_dict = model.state_dict() # 將pretrained_dict里不屬於model_dict的鍵剔除掉 pretrained_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict} # 更新現有的model_dict model_dict.update(pretrained_dict) # 加載我們真正需要的state_dict model.load_state_dict(model_dict） 

model.state_dict()返回一個python的字典對象,將每一層與它的對應參數建立映射關系(如model的每一層的weights及偏置等等)。注意，只有有參數訓練的層才會被保存。

上述的加載方式，是按照參數名類匹配過濾的，但是對於一些參數名稱無法完全匹配，或者在預訓練模型的基礎上新添加的一些層，這些層無法從預訓練模型中獲取參數，需要初始化。

仍然以上述的vgg為例，在標准的vgg16的特征提取后面，新添加兩個卷積層，這兩個卷積層的參數需要進行初始化。

vgg = torch.load("vgg.pth") # 加載預訓練模型 for k,v in m1.vgg.named_parameters(): k = "features.{}".format(k) # 參數名稱 if k in vgg.keys(): v.data = vgg[k].data # 直接加載預訓練參數 else: if k.find("weight") >= 0: nn.init.xavier_normal_(v.data) # 沒有預訓練，則使用xavier初始化 else: nn.init.constant_(v.data,0) # bias 初始化為0