1 什么是nn.Module？
在实际应用过程中，经典网络结构(如卷积神经网络)往往不能满足我们的需求，因而大多数时候都需要自定义模型，比如：多输入多输出(MIMO)、多分支模型、跨层连接模型等。nn.Module就是Pytorch中用于自定义模型的核心方法。在Pytorch中，自定义层、自定义块、自定义模型，都是通过继承nn.Module类完成的。
nn.Module的定义如下
class Module(object):
def __init__(self):
def forward(self, *input):
def __call__(self, *input, **kwargs):
def parameters(self, recurse=True):
def named_parameters(self, prefix='', recurse=True):
def children(self):
def named_children(self):
def modules(self):
def named_modules(self, memo=None, prefix=''):
def train(self, mode=True):
def eval(self):
def zero_grad(self):
...
注意：自定义网络需要继承nn.Module类，并重点实现上面的构造函数__init__构造函数和forward()这两个方法。
2 从一个例子说起
下面是一个自定义感知机的实例
# 感知机
class Perception(nn.Module):
def __init__(self, inDim, hidDim, outDim):
super(Perception, self).__init__()
self.perception = nn.Sequential(
nn.Linear(inDim, hidDim),
nn.Sigmoid(),
nn.Linear(hidDim, outDim),
nn.Sigmoid()
)
def forward(self, x):
return self.perception(x)
测试模块
perception = Perception(5,20,10)
print(perception(torch.Tensor([1,2,3,4,5]))) # 自动调用forward()前向传播
其中nn.Sequential()可以序列化封装若干个相连的组件，在希望快速搭建模型且无需考虑中间过程的情形下，推荐使用nn.Sequential()进行局部模块化。
从上面的实例可以看出：
- 一般把网络中的特定结构(如全连接层、卷积层等)以序列的形式放在构造函数
__init__()中 - 将模型自定义的各个层的连接关系和数据通路设计放在
forward()函数中，以实现模型功能并保证数据结构正常 - 不具有可学习参数的层(如
ReLU、dropout、BatchNormanation层等)可并入__init__()内部的某个层，或在forward()函数中进行层间连接
库nn.functional同样提供了大量网络模块和组件，与nn.Module类不同在于其更偏向底层——nn.Module封装了对学习参数的维护，更注重模型结构；nn.functional需要手动指定参数和结构，例如下面线性模型Linear的核心源码，其前向过程仍然调用了底层的nn.functional实现。
class Linear(Module):
def __init__(self, in_features: int, out_features: int) -> None:
super(Linear, self).__init__()
self.in_features = in_features
self.out_features = out_features
self.weight = Parameter(torch.Tensor(out_features, in_features))
self.bias = Parameter(torch.Tensor(out_features))
def forward(self, input: Tensor) -> Tensor:
return F.linear(input, self.weight, self.bias)
一般在设计通过已有nn.Module无法组装的网络结构时，可以调用底层的nn.functional实现；或是存在无需优化学习参数的结构(如损失函数、激活函数等)，可以调用nn.functional(即作为单纯函数使用)避免实例化nn.Module，轻量化网络
# 使用nn.Module需要实例化后调用
lossFunc = nn.CrossEntropyLoss()
loss = lossFunc(output, label)
# 使用nn.functional则只作为函数即可
loss = F.cross_entropy(output, label)
3 nn.Module主要方法
nn.Module的主要属性与方法列举如表所示。
| 序号 | 属性/方法 | 含义 |
|---|---|---|
| 1 | forward() |
模型前向传播 |
| 2 | train() |
训练模式 |
| 3 | eval() |
评估模式 |
| 4 | named_parameters() |
返回模型各可学习参数的名称和参数组成的列表 |
| 5 | parameters() |
返回模型各可学习参数组成的列表 |
| 6 | children() |
返回一个迭代器，其中每个元素是Sequential序列类型，可以使用下标索引来进一步获取每一个Sequenrial里面的具体层，比如conv层、dense层等 |
| 7 | named_children() |
返回一个迭代器，其中每个元素是一个二元组，第一元是名称，第二元是该名称对应的层或Sequential序列 |
4 自定义网络一般步骤
自定义网络一般步骤总结如下：
- 自定义一个继承自Module的类
- 实现构造函数
_init__，在其中参数化网络层，比如卷积神经网络的卷积核大小、池化层尺寸，全连接网络的输入输出大小等； - 实现前向传播
forward()接口，定义网络的连接情况或其他运算方式(如向量拼接、向量变维、数据处理等)
下面再给出一个卷积神经网络的实例加深理解
class CNN(nn.Module):
def __init__(self):
super().__init__()
self.convPoolLayer_1 = nn.Sequential(
nn.Conv2d(in_channels=1, out_channels=10, kernel_size=5),
nn.MaxPool2d(kernel_size=2),
nn.ReLU()
)
self.convPoolLayer_2 = nn.Sequential(
nn.Conv2d(in_channels=10, out_channels=20, kernel_size=5),
nn.MaxPool2d(kernel_size=2),
nn.ReLU()
)
self.fcLayer = nn.Linear(320, 10)
def __str__(self) -> str:
return "cnn_model"
def forward(self, x):
batchSize = x.size(0)
x = self.convPoolLayer_1(x)
x = self.convPoolLayer_2(x)
x = x.reshape(batchSize, -1)
x = self.fcLayer(x)
return x
???? 更多精彩专栏：