层和块

单一输出的线性模型:整个模型只有一个输出。
注意,单个神经网络完成以下几项工作:

    ①接受一些输入。
    ②生成相应的标量输出。
    ③具有一组相关参数(parameters),更新这些参数可以优化某目标函数。

多个输出的网络时:利用矢量化算法来描述整层神经元。 像单个神经元一样,层完成以下几项工作:
        ①接受一组输入。
        ②生成相应的输出。
        ③由一组可调整参数描述。
使用softmax回归时,一个单层本身就是模型。

对于多层感知机而言,整个模型及其组成层都是这种架构。
    整个模型接受原始输入(特征),生成输出(预测),并包含一些参数(所有组成层的参数集合)。同样,每个单独的层接收输入(由前一层提供),生成输出(到下一层的输入),并且具有一组可调参数,这些参数根据从下一层反向传播的信号进行更新。




    为了实现这些复杂的网络,引入了神经网络块的概念。块:可以描述单个层、由多个层组成的组件或整个模型本身。 使用块进行抽象的一个好处可以将一些块组合成更大的组件这一过程通常是递归的,如下图所示:通过定义代码来按需生成任意复杂度的块,我们可以通过简洁的代码实现复杂的神经网络。
在这里插入图片描述

    从编程的角度来看,块由类(class)表示。它的任何子类都必须定义一个将其输入转换为输出前向传播函数, 并且必须存储任何必需的参数。 注意,有些块不需要任何参数。最后,为了计算梯度块必须具有反向传播函数
代码示例:自定义块那里。




    生成一个网络,其中包含一个具有256个单元和ReLU激活函数的全连接隐藏层, 然后是一个具有10个隐藏单元且不带激活函数的全连接输出层。

import torch
from torch import nn
from torch.nn import functional as F

net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))

X = torch.rand(2, 20)

print(net(X))

1、这里的每一层权重w和偏置b不用初始化吗?
nn.Linear有默认初始化,会自动初始化,也可以自己设置w和b

2、这个不需要flatten的吗?
不用flatten的原因是因为这里有两组数据,而不是一组

输出:

在这里插入图片描述

通过实例化nn.Sequential来构建模型,层的执行顺序是作为参数传递的。简而言之, nn.Sequential定义了一种特殊的Module(即在PyTorch中表示一个块的类, 它维护了一个由Module组成的有序列表。)
注意:
    两个全连接层都是Linear类的实例, Linear类本身就是Module的子类。另外,到目前为止,我们一直在通过net(X)调用我们的模型来获得模型的输出。这实际上是net.call(X)的简写。这个前向传播函数非常简单:它将列表中的每个块连接在一起,将每个块的输出作为下一个块的输入。




自定义块

块必须提供的基本功能:
  ①将输入数据作为其前向传播函数的参数。
  ②通过前向传播函数来生成输出。 注意:输出的形状可能与输入的形状不同。
    例如:我们上面模型中的第一个全连接的层接收一个20维的输入,但是返回一个度为256的输出。
  ③计算其输出关于输入的梯度,可通过其反向传播函数进行访问。通常是自动发生的。
  ④存储和访问前向传播计算所需的参数。
  ⑤根据需要初始化模型参数。


    我们从零开始编写一个块。 它包含一个多层感知机,其具有256个隐藏单元的隐藏层和一个10维输出层。 注意,下面的MLP类继承了表示块的类。 我们的实现只需要提供我们自己的构造函数(Python中的__init__函数)和前向传播函数。

# (nn.Module)继承Module子类
class MLP(nn.Module):
    # 用模型参数声明层。这里,我们声明两个全连接的层
    def __init__(self):
        # 调用MLP的父类Module的构造函数来执行必要的初始化。
        # 这样,在类实例化时也可以指定其他函数参数,例如模型参数params(稍后将介绍)
        super().__init__()
        self.hidden = nn.Linear(20, 256)  # 隐藏层
        self.out = nn.Linear(256, 10)  # 输出层
 
    # 定义模型的前向传播,即如何根据输入X返回所需的模型输出
    def forward(self, X):
        # 注意,这里我们使用ReLU的函数版本,其在nn.functional模块中定义。
        return self.out(F.relu(self.hidden(X)))

    前向传播函数以X作为输入,计算带有激活函数的隐藏表示,并输出其未规范化的输出值。在这个MLP实现中,两个层都是实例变量。要了解这为什么是合理的,可以想象实例化两个多层感知机(net1和net2),并根据不同的数据对它们进行训练。当然,我们希望它们学到两种不同的模型。
    接着我们实例化多层感知机的层,然后在每次调用前向传播函数时调用这些层。注意一些关键细节: 首先,我们定制的__init__函数通过super().init() 调用父类的__init__函数,省去了重复编写模版代码的痛苦。然后,我们实例化两个全连接层,分别为self.hidden和self.out。注意,除非我们实现一个新的运算符,否则我们不必担心反向传播函数或参数初始化,系统将自动生成这些。




    实例化多层感知机的层,然后在每次调用正向传播函数时调用这些层。

net = MLP()
net(X)

输出:

在这里插入图片描述
块的一个主要优点是它的多功能性。 我们可以子类化块以创建层(如全连接层的类)、整个模型(如上面的MLP类)或具有中等复杂度的各种组件。例如:处理卷积神经网络时,就利用了这种多功能性。


该模块总代码

import torch
from torch import nn
from torch.nn import functional as F


# (nn.Module)继承Module子类
class MLP(nn.Module):
    # 用模型参数声明层。这里,我们声明两个全连接的层
    def __init__(self):
        # 调用MLP的父类Module的构造函数来执行必要的初始化。
        # 这样,在类实例化时也可以指定其他函数参数,例如模型参数params(稍后将介绍)
        super().__init__()
        self.hidden = nn.Linear(20, 256)  # 隐藏层
        self.out = nn.Linear(256, 10)  # 输出层

    # 定义模型的前向传播,即如何根据输入X返回所需的模型输出
    def forward(self, X):
        # 注意,这里我们使用ReLU的函数版本,其在nn.functional模块中定义。
        return self.out(F.relu(self.hidden(X)))


net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
net = MLP()
X = torch.rand(2, 20)
print(net(X))




顺序块

Sequential类是如何工作的?

    Sequential的设计是为了把其他模块串起来。 为了构建我们自己的简化的MySequential, 我们只需要定义两个关键函数

    ①一种将块逐个追加到列表中的函数。
    ②一种前向传播函数,用于将输入按追加块的顺序传递给块组成的“链条”。

下面的MySequential类提供了与默认Sequential类相同的功能。

class MySequential(nn.Module):
    def __init__(self, *args):
        super().__init__()
        # 遍历了args中的所有元素(即传入的模块),同时enumerate函数为每个元素提供了一个索引(idx)和值(module)。
        # 这里,module是Module子类的一个实例。我们把它保存在'Module'类的成员
        for idx, module in enumerate(args):
            # 变量_modules中。_module的类型是OrderedDict,保证了元素的插入顺序。
            # 用于存储模块的所有子模块,每个传入的模块都被添加到_modules字典中,键是模块的索引(转换为字符串),值是模块本身。
            self._modules[str(idx)] = module
 
    def forward(self, X):
        # OrderedDict保证了按照成员添加的顺序遍历它们
        for block in self._modules.values():
        	# 执行了模块的前向传播,并将输出作为下一个模块的输入。
            X = block(X)
        return X

__init__函数将每个模块逐个添加到有序字典_modules中。 为什么每个Module都有一个_modules属性?
以及为什么我们使用它而不是自己定义一个Python列表?
_modules的主要优点是:
    在模块的参数初始化过程中,系统知道在_modules字典中查找需要初始化参数的子块。

当MySequential的前向传播函数被调用时, 每个添加的块都按照它们被添加的顺序执行。 现在可以使用我们的MySequential类重新实现多层感知机

该模块总代码

import torch
from torch import nn


class MySequential(nn.Module):
    def __init__(self, *args):
        super().__init__()
        for block in args:
            self._modules[block] = block  # block 本身作为它的key,存在_modules里面的为层,以字典的形式

    def forward(self, X):
        for block in self._modules.values():
            # block输出途径的路径
            print(block)
            X = block(X)
        return X


net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
X = torch.rand(2, 20)
print(net(X))

输出:
在这里插入图片描述




在前向传播函数中执行代码

  Sequential类使模型构造变得简单,允许我们组合新的架构,而不必定义自己的类。然而,并不是所有的架构都是简单的顺序架构。当需要更强的灵活性时,我们需要定义自己的块。 例如,我们可能希望在前向传播函数中执行Python的控制流。此外,我们可能希望执行任意的数学运算,而不是简单地依赖预定义的神经网络层。

到目前为止, 我们网络中的所有操作都对网络的激活值及网络的参数起作用。然而,有时我们可能希望合并既不是上一层的结果也不是可更新参数的项,我们称之为常数参数
例如:我们需要一个计算函数 在这里插入图片描述的层,其中x是输入,w是参数,c是某个在优化过程中没有更新的指定常量。 因此我们实现了一个FixedHiddenMLP类,如下所示:

class FixedHiddenMLP(nn.Module):
	# 用父类 nn.Module 的构造函数
    def __init__(self):
        super().__init__()
        # 不计算梯度的随机权重参数。因此其在训练期间保持不变
        self.rand_weight = torch.rand((20, 20), requires_grad=False)
        # 定义一个全连接层,输入和输出特征数都是20。这个层将学习其权重和偏置,并在训练过程中进行更新。
        self.linear = nn.Linear(20, 20)
 
    def forward(self, X):
    	# 输入 X 通过定义的全连接层 self.linear 进行处理。
        X = self.linear(X)
        # 使用创建的常量参数以及relu和mm函数
        # 加上1可能是为了引入非线性或避免ReLU的零梯度问题
        X = F.relu(torch.mm(X, self.rand_weight) + 1)
        # 复用全连接层。这相当于两个全连接层共享参数
        X = self.linear(X)
        # 控制流,用于控制 X 的幅度
        while X.abs().sum() > 1:
            X /= 2
        return X.sum()

  在这个FixedHiddenMLP模型中,我们实现了一个隐藏层, 其权重(self.rand_weight)在实例化时被随机初始化,之后为常量。 这个权重不是一个模型参数,因此它永远不会被反向传播更新。然后,神经网络将这个固定层的输出通过一个全连接层。

  在返回输出之前,模型运行了一个while循环, L 1 L_1 L1范数大于1的条件下,将输出向量除以2,直到满足条件为止。最后,模型返回了X中所有项的和。此操作可能不会常用于在任何实际任务中,我们只展示如何将任意代码集成到神经网络计算的流程中。

net = FixedHiddenMLP()
net(X)

输出:
在这里插入图片描述



混合搭配各种组合块的方法

# 继承自 PyTorch 的 nn.Module类
class NestMLP(nn.Module):
    def __init__(self):
    	# 确保父类(nn.Module)的构造函数被正确调用
        super().__init__()
        # 定义了一个net 的属性,它是一个 nn.Sequential 容器。
        # nn.Sequential允许将多个模块按顺序封装成一个单独的模块。
        self.net = nn.Sequential(nn.Linear(20, 64), nn.ReLU(),
                                 nn.Linear(64, 32), nn.ReLU())
         # 定义了一个linear属性,它是一个单独的线性层,将输入从32维映射到16维。
        self.linear = nn.Linear(32, 16)
    def forward(self, X):
    	# 通过 self.net处理输入 X,然后将结果传递给 self.linear 进行进一步的线性变换,并返回最终结果。
        return self.linear(self.net(X))
# 创建一个chimera容器,按顺序包含 NestMLP 的一个实例、一个将输入从16维映射到20维的线性层,以及一个未定义的 FixedHiddenMLP 类的一个实例。
chimera = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)

嵌套:NestMLP→linear→Sequential



该模块总代码

import torch
from torch import nn
from torch.nn import functional as F


class FixedHiddenMLP(nn.Module):
    # 用父类 nn.Module 的构造函数
    def __init__(self):
        super().__init__()
        # 不计算梯度的随机权重参数。因此其在训练期间保持不变
        self.rand_weight = torch.rand((20, 20), requires_grad=False)
        # 定义一个全连接层,输入和输出特征数都是20。这个层将学习其权重和偏置,并在训练过程中进行更新。
        self.linear = nn.Linear(20, 20)

    def forward(self, X):
        # 输入 X 通过定义的全连接层 self.linear 进行处理。
        X = self.linear(X)
        # 使用创建的常量参数以及relu和mm函数
        # 加上1可能是为了引入非线性或避免ReLU的零梯度问题
        X = F.relu(torch.mm(X, self.rand_weight) + 1)
        # 复用全连接层。这相当于两个全连接层共享参数
        X = self.linear(X)
        # 控制流,用于控制 X 的幅度
        while X.abs().sum() > 1:
            X /= 2
        return X.sum()


# 继承自 PyTorch 的 nn.Module类
class NestMLP(nn.Module):
    def __init__(self):
        # 确保父类(nn.Module)的构造函数被正确调用
        super().__init__()
        # 定义了一个net 的属性,它是一个 nn.Sequential 容器。
        # nn.Sequential允许将多个模块按顺序封装成一个单独的模块。
        self.net = nn.Sequential(nn.Linear(20, 64), nn.ReLU(),
                                 nn.Linear(64, 32), nn.ReLU())
        # 定义了一个linear属性,它是一个单独的线性层,将输入从32维映射到16维。
        self.linear = nn.Linear(32, 16)

    def forward(self, X):
        # 通过 self.net处理输入 X,然后将结果传递给 self.linear 进行进一步的线性变换,并返回最终结果。
        return self.linear(self.net(X))


X = torch.rand(2, 20)
# 创建一个chimera容器,按顺序包含 NestMLP 的一个实例、一个将输入从16维映射到20维的线性层,以及一个未定义的 FixedHiddenMLP 类的一个实例。
chimera = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
print(chimera(X))

输出:
在这里插入图片描述




总结

    ①一个块可以由许多层组成,一个块可以由许多块组成。
    ②块可以包含代码。
    ③块负责大量的内部处理,包括参数初始化和反向传播。
    ④层和块的顺序连接由Sequential块处理。




参数管理

    在选择了架构设置了超参数后,我们就进入了训练阶段。此时,我们的目标是找到使损失函数最小化的模型参数值。经过训练后,我们将需要使用这些参数来做出未来的预测。此外有时我们希望提取参数,以便在其他环境中复用它们,将模型保存下来,以便它可以在其他软件中执行,或者为了获得科学的理解而进行检查。

下文主要介绍:
    访问参数,用于调试、诊断和可视化;
    参数初始化;
    在不同模型组件间共享参数。

具有单隐藏层的多层感知机

import torch
from torch import nn
 
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
X = torch.rand(size=(2, 4))
net(X)

输出:
在这里插入图片描述




参数访问

从已有模型中访问参数。当通过Sequential类定义模型时,我们可以通过索引访问模型的任意层。这就像模型是一个列表一样,每层的参数都在其属性中。如下所示,我们可以检查第二个全连接层的参数。

# state:状态,权重从自动机角度来说是一个状态
print(net[2].state_dict())

nn.Linear(4, 8):相当于net[0]
nn.ReLU():相当于net[1]
nn.Linear(8, 1):相当于net[2]

输出:

在这里插入图片描述
这个全连接层包含两个参数,分别是该层的权重偏置。 两者都存储为单精度浮点数(float32)。
注意,参数名称允许唯一标识每个参数,即使在包含数百个层的网络中也是如此。

目标参数

每个参数都表示为参数类的一个实例。 要对参数执行任何操作,首先我们需要访问底层的数值。下面的代码从第二个全连接层(即第三个神经网络层)提取偏置,提取后返回的是一个参数类实例,并进一步访问该参数的值。

print(type(net[2].bias))
print(net[2].bias)
print(net[2].bias.data)

输出:
在这里插入图片描述


参数是复合的对象,包含值、梯度和额外信息。 这就是我们需要显式参数值的原因。 除了值之外,我们还可以访问每个参数的梯度。 在上面这个网络中,由于我们还没有调用反向传播,所以参数的梯度处于初始状态。

print(net[2].weight.grad == None)

输出:
在这里插入图片描述

一次性访问所有参数

print(*[(name, param.shape) for name, param in net[0].named_parameters()])
print(*[(name, param.shape) for name, param in net.named_parameters()])

输出:
在这里插入图片描述
因为net[1]是激活函数ReLU所以没有权重和偏置。

通过字符串的名字来访问网络参数:

print(net.state_dict()['2.bias'].data)

输出:
在这里插入图片描述


从嵌套块收集参数

def block1():
    return nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
                         nn.Linear(8, 4), nn.ReLU())
 
def block2():
    net = nn.Sequential()
    for i in range(4):
        # 在这里嵌套
        net.add_module(f'block {i}', block1())
    return net
 
rgnet = nn.Sequential(block2(), nn.Linear(4, 1))
print(rgnet(X))

该部分总代码
import torch
from torch import nn


def block1():
    return nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
                         nn.Linear(8, 4), nn.ReLU())


def block2():
    net = nn.Sequential()
    for i in range(4):
        # 在这里嵌套
        net.add_module(f'block {i}', block1())
    return net


X = torch.rand(size=(2, 4))
rgnet = nn.Sequential(block2(), nn.Linear(4, 1))
print(rgnet(X))

输出:
在这里插入图片描述

因为X是2行4列的,最后线性层是4行一列的,所以最终是2行一列的结果。


设计了网络后,我们看看它是如何工作的。

print(rgnet)

输出:

在这里插入图片描述
在这里插入图片描述
    因为层是分层嵌套的,所以我们也可以像通过嵌套列表索引一样访问它们。下面,我们访问第一个主要的块中、第二个子块的第一层的偏置项。

rgnet[0][1][0].bias.data

输出:
在这里插入图片描述




参数初始化

    默认情况下,PyTorch会根据一个范围均匀地初始化权重和偏置矩阵,这个范围是根据输入和输出维度计算出的。PyTorch的nn.init模块提供了多种预置初始化方法

内置初始化

from torch import nn


def init_normal(m):
    if type(m) == nn.Linear:
    	# _函数名字后面带下划线是原地操作的意思,是替换
        nn.init.normal_(m.weight, mean=0, std=0.01)  # 下划线表示把m.weight的值替换掉
        nn.init.zeros_(m.bias)


net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
net.apply(init_normal)  # 会递归调用 直到所有层都初始化
print(net[0].weight.data[0])
print(net[0].bias.data[0])

输出:
在这里插入图片描述


将所有参数初始化为给定的常数,比如初始化为1。

from torch import nn

net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))


def init_constant(m):
    if type(m) == nn.Linear:
        nn.init.constant_(m.weight, 1)
        nn.init.zeros_(m.bias)


net.apply(init_constant)
print(net[0].weight.data[0])
print(net[0].bias.data[0])

输出:
在这里插入图片描述

对某些块应用不同的初始化方法
例如:使用Xavier初始化方法初始化第一个神经网络层, 然后将第三个神经网络层初始化为常量值42

from torch import nn


def init_xavier(m):
    if type(m) == nn.Linear:
        # 均匀分布
        nn.init.xavier_uniform_(m.weight)


def init_42(m):
    if type(m) == nn.Linear:
        nn.init.constant_(m.weight, 42)


net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
net[0].apply(init_xavier)
net[2].apply(init_42)
print(net[0].weight.data)
print(net[0].weight.data[0])
print(net[2].weight.data)

输出:
在这里插入图片描述


自定义初始化

使用以下的分布为任意权重参数w定义初始化方法

在这里插入图片描述

from torch import nn


def my_init(m):
    if type(m) == nn.Linear:
        # m.named_parameters()返回一个包含参数名称和对应参数的元组的迭代器,[0]选择权重打印
        # 使用解包操作符 * 将第一个元组解包成单独的参数,与字符串 "Init" 一起打印。
        print("Init", *[(name, param.shape)
                        for name, param in m.named_parameters()][0])
        # 将的权重初始化为在 [-10, 10] 区间内均匀分布的随机数。
        nn.init.uniform_(m.weight, -10, 10)
        # True 被视为 1.0,False 被视为 0.0
        # >=5的权重为自身,<5的为0,也是一种正则化
        # 实际上是将所有绝对值小于 5 的权重设置为 0
        m.weight.data *= m.weight.data.abs() >= 5


net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
net.apply(my_init)
print(net[0].weight[:2])

输出:
在这里插入图片描述


可以直接设置参数:

from torch import nn


def my_init(m):
    if type(m) == nn.Linear:
        # m.named_parameters()返回一个包含参数名称和对应参数的元组的迭代器,[0]选择权重打印
        # 使用解包操作符 * 将第一个元组解包成单独的参数,与字符串 "Init" 一起打印。
        print("Init", *[(name, param.shape)
                        for name, param in m.named_parameters()][0])
        # 将的权重初始化为在 [-10, 10] 区间内均匀分布的随机数。
        nn.init.uniform_(m.weight, -10, 10)
        # True 被视为 1.0,False 被视为 0.0
        # >=5的权重为自身,<5的为0,也是一种正则化
        # 实际上是将所有绝对值小于 5 的权重设置为 0
        m.weight.data *= m.weight.data.abs() >= 5


net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
net.apply(my_init)
net[0].weight.data[:] += 1
# 使用索引[0, 0]来访问权重张量的第一个元素
net[0].weight.data[0, 0] = 42
print(net[0].weight.data[0])

输出:
在这里插入图片描述




参数绑定

    我们希望在多个层间共享参数: 我们可以定义一个稠密层,然后使用它的参数来设置另一个层的参数

import torch
from torch import nn


# 我们需要给共享层一个名称,以便可以引用它的参数
shared = nn.Linear(8, 8)
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
                    shared, nn.ReLU(),
                    shared, nn.ReLU(),
                    nn.Linear(8, 1))

X = torch.rand(size=(2, 4))
net(X)
# 检查参数是否相同
print(net[2].weight.data[0] == net[4].weight.data[0])
net[2].weight.data[0, 0] = 100
# 确保它们实际上是同一个对象,而不只是有相同的值
print(net[2].weight.data[0] == net[4].weight.data[0])

输出:
在这里插入图片描述
    表明第三个和第五个神经网络层的参数是绑定的。它们不仅值相等,而且由相同的张量表示。因此,如果我们改变其中一个参数,另一个参数也会改变。

当参数绑定时,梯度会发生什么情况?
    由于模型参数包含梯度,因此在反向传播期间第二个隐藏层(即第三个神经网络层)和第三个隐藏层(即第五个神经网络层)的梯度会加在一起。
    两个shared层共享的参数包括梯度,当有两个shared层时,两个shared层的梯度因绑定而相同,而等于叠加两次后的梯度值。




延后初始化

到目前为止,我们忽略了建立网络时需要做的以下这些事情:
    我们定义了网络架构,但没有指定输入维度
    我们添加层时没有指定前一层的输出维度
    我们在初始化参数时,甚至没有足够的信息来确定模型应该包含多少参数

深度学习框架无法判断网络的输入维度是什么?
    通过框架的延后初始化来解决。( 即直到数据第一次通过模型传递时,框架才会动态地推断出每个层的大小。)

    当使用卷积神经网络时,由于输入维度(即图像的分辨率)将影响每个后续层的维数,就无须知道维度是什么就可以设置参数, 这可以大大简化定义和修改模型的任务。



实例化网络

实例化一个多层感知机。

from torch import nn

# 延后初始化
net = nn.Sequential(nn.LazyLinear(256),
                    nn.ReLU(),
                    nn.LazyLinear(10))
print(net[0].weight)

输出:

在这里插入图片描述


将数据通过网络,最终使框架初始化参数。
import torch
from torch import nn

# 延后初始化
net = nn.Sequential(nn.LazyLinear(256),
                    nn.ReLU(),
                    nn.LazyLinear(10))
X = torch.rand(2, 20)
net(X)
print(net[0].weight.shape)

输出:
在这里插入图片描述

一旦指定了输入维度,框架就可以一层一层的延迟初始化。
例如:
    指定输入维数是20,框架可以通过代入值20来识别第一层权重矩阵的形状。识别出第一层的形状后,框架处理第二层,依此类推,直到所有形状都已知为止。注意,在这种情况下,只有第一层需要延迟初始化,但是框架仍是按顺序初始化的。等到知道了所有的参数形状,框架就可以初始化参数。


通过网络传递虚拟输入进行演练,以推断所有参数形状,并随后初始化参数。后续将在不希望使用默认随机初始化时使用它。

class Apply_init(nn.Module):  #@save
    def apply_init(self, inputs, init=None):
        self.forward(*inputs)
        if init is not None:
            self.net.apply(init)

小结

    ①延后初始化使框架能够自动推断参数形状,使修改模型架构变得容易,避免了一些常见的错误。

    ②我们可以通过模型传递数据,使框架最终初始化参数。




自定义层

不带参数的层

构造一个没有任何参数的自定义层

import torch
from torch import nn


class CenteredLayer(nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self, X):
        return X - X.mean()


layer = CenteredLayer()
print(layer(torch.FloatTensor([1, 2, 3, 4, 5])))

输出:
在这里插入图片描述


将层作为组件合并到更复杂的模型中,向该网络发送随机数据后,检查均值是否为0。由于我们处理的是浮点数,因为存储精度的原因,我们仍然可能会看到一个非常小的非零数。

import torch
from torch import nn


class CenteredLayer(nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self, X):
        return X - X.mean()


net = nn.Sequential(nn.Linear(8, 128), CenteredLayer())
# 生成了一个形状为 (4, 8) 的张量,其中的元素是从 [0, 1) 区间内的均匀分布中随机抽取
Y = net(torch.rand(4, 8))
print(Y.mean())

输出:
在这里插入图片描述




带参数的层

    这些参数可以通过训练进行调整。我们可以使用内置函数来创建参数,这些函数提供一些基本的管理功能。比如管理访问、初始化、共享、保存和加载模型参数。这样做的好处之一是:我们不需要为每个自定义层编写自定义的序列化程序

让我们实现自定义版本的全连接层。该层需要两个参数,一个用于表示权重,另一个用于表示偏置项。在此实现中,我们使用修正线性单元作为激活函数。该层需要输入参数:in_units和units,分别表示输入数和输出数。

class MyLinear(nn.Module):
	# 接受两个参数:in_units(输入特征的维度)和units(输出特征的维度)。
    def __init__(self, in_units, units):
        super().__init__()
        # 创建了一个权重矩阵,并将其作为可训练参数(nn.Parameter)注册到模型中。
        # nn.Parameter加上梯度
        self.weight = nn.Parameter(torch.randn(in_units, units))
        self.bias = nn.Parameter(torch.randn(units,))
    def forward(self, X):
        linear = torch.matmul(X, self.weight.data) + self.bias.data
        # 将线性变换的结果通过ReLU激活函数
        return F.relu(linear)
# 创建 MyLinear 实例 
linear = MyLinear(5, 3)
print(linear.weight)
print(linear.bias)

输出:
在这里插入图片描述



使用自定义层直接执行前向传播计算

import torch
import torch.nn.functional as F
from torch import nn


class MyLinear(nn.Module):
    def __init__(self, in_units, units):
        super().__init__()
        self.weight = nn.Parameter(torch.randn(in_units, units))
        self.bias = nn.Parameter(torch.randn(units, ))

    def forward(self, X):
        linear = torch.matmul(X, self.weight.data) + self.bias.data
        return F.relu(linear)


linear = MyLinear(5, 3)
print(linear(torch.rand(2, 5)))

输出:

在这里插入图片描述


使用自定义层构建模型,就像使用内置的全连接层一样使用自定义层。

import torch
import torch.nn.functional as F
from torch import nn


class MyLinear(nn.Module):
    def __init__(self, in_units, units):
        super().__init__()
        self.weight = nn.Parameter(torch.randn(in_units, units))
        self.bias = nn.Parameter(torch.randn(units, ))

    def forward(self, X):
        linear = torch.matmul(X, self.weight.data) + self.bias.data
        return F.relu(linear)


net = nn.Sequential(MyLinear(64, 8), MyLinear(8, 1))
print(net(torch.rand(2, 64)))

输出:

在这里插入图片描述




读写文件

加载和保存张量

    对于单个张量,可以直接调用load和save函数分别读写它们。save要求将要保存的变量作为输入。

import torch
from torch import nn
from torch.nn import functional as F
 
x = torch.arange(4)
torch.save(x, 'x-file')

将存储在文件中的数据读回内存。

import torch

x = torch.arange(4)
torch.save(x, 'x-file')
x2 = torch.load('x-file')
print(x2)

输出:

在这里插入图片描述




存储一个张量列表,然后把它们读回内存。

import torch

x = torch.arange(4)
y = torch.zeros(4)
torch.save([x, y],'x-files')
x2, y2 = torch.load('x-files')
print((x2, y2))

输出:
在这里插入图片描述


写入或读取从字符串映射到张量的字典

import torch

x = torch.arange(4)
y = torch.zeros(4)
mydict = {'x': x, 'y': y}
torch.save(mydict, 'mydict')
mydict2 = torch.load('mydict')
print(mydict2)

输出:
在这里插入图片描述




加载和保存模型参数

    保存单个权重向量(或其他张量)确实有用,但是如果我们想保存整个模型,并在以后加载它们,单独保存每个向量则会变得很麻烦。原因是:可能有数百个参数散布在各处
    深度学习框架提供了内置函数来保存和加载整个网络。 这将保存模型的参数而不是保存整个模型

例如
    如果我们有一个3层多层感知机,我们需要单独指定架构。因为模型本身可以包含任意代码,所以模型本身难以序列化。因此,为了恢复模型,我们需要用代码生成架构, 然后从磁盘加载参数。

import torch
from torch import nn
from torch.nn import functional as F


class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.hidden = nn.Linear(20, 256)
        self.output = nn.Linear(256, 10)

    def forward(self, x):
        return self.output(F.relu(self.hidden(x)))


net = MLP()
X = torch.randn(size=(2, 20))
Y = net(X)
print(Y)

输出:

在这里插入图片描述


将模型的参数存储在一个叫做“mlp.params”的文件中。

torch.save(net.state_dict(), 'mlp.params')

    为了恢复模型,我们实例化了原始多层感知机模型的一个备份。这里我们不需要随机初始化模型参数,而是直接读取文件中存储的参数

import torch
from torch import nn
from torch.nn import functional as F


# 加载和保存模型参数
class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.hidden = nn.Linear(20, 256)
        self.output = nn.Linear(256, 10)

    def forward(self, x):
        return self.output(F.relu(self.hidden(x)))


net = MLP()
X = torch.randn(size=(2, 20))
Y = net(X)
# 将模型的参数存储为一个叫做"mlp.params"的文件
torch.save(net.state_dict(), 'mlp.params')
# 实例化了原始多层感知机模型的一个备份。直接读取文件中存储的参数
clone = MLP()  # 必须要先声明一下,才能导入参数
clone.load_state_dict(torch.load("mlp.params"))
print(clone.eval())  # eval()是进入测试模式

输出:
在这里插入图片描述


由于两个实例具有相同的模型参数,在输入相同的X时,两个实例的计算结果应该相同。

import torch
from torch import nn
from torch.nn import functional as F


# 加载和保存模型参数
class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.hidden = nn.Linear(20, 256)
        self.output = nn.Linear(256, 10)

    def forward(self, x):
        return self.output(F.relu(self.hidden(x)))


net = MLP()
X = torch.randn(size=(2, 20))
Y = net(X)
# 将模型的参数存储为一个叫做"mlp.params"的文件
torch.save(net.state_dict(), 'mlp.params')
# 实例化了原始多层感知机模型的一个备份。直接读取文件中存储的参数
clone = MLP()  # 必须要先声明一下,才能导入参数
clone.load_state_dict(torch.load("mlp.params"))
Y_clone = clone(X)
print(Y_clone == Y)

输出:
在这里插入图片描述




问题

①将类别变量转换成伪变量(也叫独热编码)的时候内存炸掉了怎么办?
使用稀疏矩阵来存。

点赞(0) 打赏

评论列表 共有 0 条评论

暂无评论

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部