深度学习框架PyTorch入门与实践：第四章 神经网络工具箱nn 学习

学习笔记，本文章学习自：https://blog.csdn.net/u011436316/article/details/101930269

autograd实现了自动微分系统，然而对深度学习来说过于底层，本章将介绍的nn模块，是构建于autograd之上的神经网络模块。除了nn之外，我们还会介绍神经网络中常用的工具，比如优化器optim、初始化init等。

4.1 nn.Module

第3章中提到，使用autograd可实现深度学习模型，但其抽象程度较低，如果用其来实现深度学习模型，则需要编写的代码量极大。在这种情况下，torch.nn应运而生，其是专门为深度学习设计的模块。torch.nn的核心数据结构是Module，它是一个抽象的概念，既可以表示神经网络中的某个层（layer），也可以表示一个包含很多层的神经网络。在实际使用中，最常见的做法继承nn.Module，撰写自己的网络/层。下面先来看看如何使用nn.Module实现自己的全连接层。全连接层，又名仿射层，输入y和输入x满足y=Wx+b，W和b是可学习的参数。

import torch as t
from torch import nn
from torch.autograd import Variable as V

# 定义线性模型：y = w * x + b
class Linear(nn.Module):    # 继承nn.Module，并且在其构造函数中需调用
    #nn.Module的构造函数，即super(Linear,self).init()或nn.Module.init(self)
    def __init__(self,in_features,out_features):
        #构造函数__init__定义可学习的参数，
        #并封装成Parameter,如封装w,b成Parameter.
        #Parameter是一种特殊的Variable，但其默认需要求导(requires_grad=True)
        super(Linear,self).__init__()    # 等价于nn.Module.__init__(self)
        self.w = nn.Parameter(t.randn(in_features,out_features))#封装w
        self.b = nn.Parameter(t.randn(out_features))#封装b
        
        
    def forward(self,x):#实现前向传播过程，
        #其实输入可以是一个或多个variable,对x的操作也必须是variable支持的操作
        xw = x.mm(self.w)
        y = xw + self.b.expand_as(xw)
        #tensor.expand_as()这个函数就是
        #把一个tensor变成和函数括号内一样形状的tensor，用法与expand（）类似。
        return y

net = Linear(4,3)
x = V(t.randn(2,4))
y = net(x)#将net看成函数
print(y)

输出如下：

tensor([[-4.6985, -2.3410, -1.2974],
        [-1.7272,  0.0638,  2.1338]], grad_fn=<AddBackward0>)

输入：

layer=net
for name,parameter in layer.named_parameters():
    print(name,parameter) #w and b

输出如下：

w Parameter containing:
tensor([[-1.1190, -0.4002,  0.8744],
        [-0.7999, -0.5281, -1.0659],
        [ 0.5722, -0.7538, -0.9995],
        [-0.2019,  0.2152,  0.6807]], requires_grad=True)
b Parameter containing:
tensor([0.6568, 0.5761, 1.7080], requires_grad=True)

可见，全连接层的实现非常简单，其代码量不超过10行，但需注意以下几点：

• 自定义层Linear必须继承nn.Module，并且在其构造函数中需调用nn.Module的构造函数，即super(Linear,self).init()或nn.Module.init(self)。
• 在构造函数__init__中必须自己定义可学习的参数，并封装成Parameter，如在本例中我们把w和b封装成Parameter。Parameter是一种特殊的Variable，但其默认需要求导（requires_grad=True），感兴趣的读者可以通过nn.Parameter??查看Parameter类的源代码。
• forward函数实现前向传播过程，其输入可以是一个或多个variable，对x的任何操作也必须是variable支持的操作。
  无须写反向传播函数，因其前向传播都是对variable进行操作，nn.Module能够利用autograd自动实现反向传播，这一点比Function简单许多。
• 使用时，直观上可将net看成数学概念中的函数，调用net(x)即可得到x对应的结果。它等价于net.call(x)，在__call__函数中，主要调用的是net.forward(x)，另外还对钩子做了一些处理。所以在实际使用中应尽量使用net(x)而不是使用net.forward(x)，关于钩子技术的具体内容将在下文讲到。
• Module中的可学习参数可以通过named_parameters()或者parameters()返回迭代器，前者会给每个parameter附上名字，使其更具有辨识度。

可见，利用Module实现的全连接层，比利用Function实现的更简单，因其不再需要写反向传播函数。

Module能够自动检测到自己的parameter，并将其作为学习参数。除了parameter，Module还包含子Module，主Module能够递归查找子Module中的parameter。下面再来看看稍微复杂一点的网络：多层感知机。

多层感知机的网络结构如图所示。它由两个全连接层组成，采用sigmoid函数作为激活函数（图中没有画出）。

class Perceptron(nn.Module):
    def __init__(self,in_features,hidden_features,out_features):
        nn.Module.__init__(self)
        self.layer1=Linear(in_features,hidden_features)
        self.layer2=Linear(hidden_features,out_features)

    def forward(self,x):
        x=self.layer1(x)
        x=t.sigmoid(x)
        #Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线。
        #在信息科学中，由于其单增以及反函数单增等性质，
        #Sigmoid函数常被用作神经网络的激活函数，将变量映射到0,1之间。
        x=self.layer2(x)
        return x

perceptron=Perceptron(3,4,1)
for name,param in perceptron.named_parameters():
    #Module中的可学习参数可以通过named_parameters()或者parameters()返回迭代器，
    #前者会给每个parameter附上名字，使其更具有辨识度。
    print(name,param.size())#3.4,4,4.1,1

输出如下：

layer1.w torch.Size([3, 4])
layer1.b torch.Size([4])
layer2.w torch.Size([4, 1])
layer2.b torch.Size([1])

可见，即使是稍复杂的多层感知机，其实现依旧很简单。这里需要注意以下两个知识点。

• 构造函数__init__中，可利用前面自定义的Linear层（Module）作为当前Module对象的一个子Module，它的可学习参数，也会成为当前Module的可学习参数。
• 在前向传播函数中，我们有意识地将输出变量都命名为x，是为了能让Python回收一些中间层的输出，从而节省内存。但并不是所有的中间结果都会被回收，有些variable虽然名字被覆盖，但其在反向传播时仍需要用到，此时Python的内存回收模块将通过检查引用计数，不会回收这一部分内存。

Module中parameter的全局命名规范如下：

• Parameter直接命名。例如self.param_name =
  nn.Parameter(t.randn(3,4))，命名为param_name。
• 子Module中的parameter，会在其名字之前加上当前Module的名字。例如self.sub_module =
  SubModule()，SubModule中有个parameter的名字也叫作param_name，那么二者拼接而成的parameter
  name就是sub_module.param_name。

为了方便用户使用，PyTorch实现了神经网络中绝大多数的layer，这些layer都继承于nn.Module，封装了可学习参数parameter，并实现了forward函数，且专门针对GPU运算进行了CuDNN优化，其速度和性能都十分优异。本书不准备对nn.Module中的所有层进行详细介绍，具体内容读者可参照官方文档或在IPython/Jupyter中使用nn.layer?查看。阅读文档时应主要关注以下几点。

• 构造函数的参数，如nn.Linear(in_features,out_features,bias)，需关注这三个参数的作用。
• 属性、可学习参数和子Module。如nn.Linear中有weight和bias两个可学习参数，不包含子Module。
• 输入输出的形状，如nn.Linear的输入形状是（N，input_features），输出形状为（N，output_features），N是batch_size。

这些自定义layer对输入形状都有假设：输入的不是单个数据，而是一个batch。若想输入一个数据，必须调用unsqueeze(0)函数将数据伪装成batch_size=1的batch。

下面将从应用层面出发，对一些常用的layer做简单介绍，更详细的用法请查看官方文档。