目录
- 1. 层和块
- 1.1 自定义块
- 1.2 顺序块
- 1.3 在前向传播函数中执行代码
- 2. 参数管理
- 2.1 参数访问
- 2.1.1 目标参数
- 2.1.2 一次性访问所有参数
- 2.1.3 从嵌套块收集参数
- 2.2 参数初始化
- 2.2.1 内置初始化
- 2.2.2 自定义初始化
- 2.3 参数绑定
- 3. 自定义层
- 3.1 不带参数的层
- 3.2 带参数的层
- 4. 读写文件
- 4.1 加载和保存张量
- 4.2 加载和保存模型参数
- 5. GPU
1. 层和块
块可以描述单个层、由多个层组成的组件或整个模型本身。
# 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)
net(X)
1.1 自定义块
"""
自定义块:
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(输出的形状可能与输入的形状不同)。
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。
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。
"""
"""
多层感知机:
1、输入是一个20维的输入。
2、具有256个隐藏单元的隐藏层和一个10维输出层。
"""
class MLP(nn.Module):
# 用模型参数声明层。这里,我们声明两个全连接层
def __init__(self):
# 调用MLP父类Module的构造函数来执行必要的初始化
# 这样,在类实例化中也可以指定其他函数的参数,例如模型参数params
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模块定义
return self.out(F.relu(self.hidden(X)))
1.2 顺序块
"""
顺序块(相当于Sequential类):
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”。
"""
class MySequential(nn.Module):
def __init__(self, *args):
# __init__函数将每个模块逐个添加到有序字典_modules中
super().__init__()
for idx, module in enumerate(args):
# 这里,module是Module子类的一个实例。我们把它保存在'Module'类的成员
# _module的类型是OrderedDict,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。
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():
X = block(X)
return X
1.3 在前向传播函数中执行代码
"""
实现FixedHiddenMLP模型类:
1、实现一个隐藏层, 其权重(self.rand_weight)在实例化时被随机初始化,之后为常量。
2、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。
3、神经网络将这个固定层的输出通过一个全连接层。
4、返回输出时做一个循环操作,输出需小于1
"""
class FixedHiddenMLP(nn.Module):
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)
self.linear = nn.Linear(20 ,20)
def forward(self, X):
X = self.linear(X)
# 使用创建的常量参数以及relu和mm函数
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
while X.abs().sum() > 1:
X /= 2
return X.sum()
# 混合搭配各种组合块
class NestMLP(nn.Module):
def __init__(self):
super().__init__()
self.net = nn.Sequential(nn.Linear(20, 64), nn.ReLU(),
nn.Linear(64, 32), nn.ReLU())
self.linear = nn.Linear(32, 16)
def forward(self, X):
return self.linear(self.net(X))
chimera = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)
2. 参数管理
- 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。
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)
2.1 参数访问
"""
检查第二个全连接层的参数:
1、这个全连接层包含两个参数,分别是该层的权重和偏置。
2、两者都存储为单精度浮点数(float32)。
"""
print(net[2].state_dict())
2.1.1 目标参数
# 访问目标参数
print(type(net[2].bias))
print(net[2].bias)
print(net[2].bias.data)
2.1.2 一次性访问所有参数
# 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()])
2.1.3 从嵌套块收集参数
# 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.S
2.2 参数初始化
"""
参数初始化:
1、内置初始化
2、自定义初始化
"""
# 将所有权重参数初始化为标准差为0.01的高斯随机变量, 且将偏置参数设置为0
def init_normal(m):
if type(m) == nn.Linear:
nn.init.normal_(m.weight, mean=0, std=0.01)
nn.init.zeros_(m.bias)
# model.apply(fn)会递归地将函数fn应用到父模块的每个子模块submodule,也包括model这个父模块自身
net.apply(init_normal)
net[0].weight.data[0], net[0].bias.data[0]
2.2.1 内置初始化
# 将所有参数初始化为给定的常数,比如初始化为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)
net[0].weight.data[0], net[0].bias.data[0]
# 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。
def init_xavier(m):
if type(m) == nn.Linear:
nn.init.xavier_uniform_(m.weight)
def init_42(m):
if type(m) == nn.Linear:
nn.init.constant_(m.weight, 42)
net[0].apply(init_xavier)
net[2].apply(init_42)
print(net[0].weight.data[0])
print(net[2].weight.data)
2.2.2 自定义初始化
# 自定义初始化
def my_init(m):
if type(m) == nn.Linear:
print("Init", *[(name, param.shape)
for name, param in m.named_parameters()][0])
nn.init.uniform_(m.weight, -10, 10)
m.weight.data *= m.weight.data.abs() >= 5
net.apply(my_init)
net[0].weight[:2]
# net[0].weight[0:]
2.3 参数绑定
# 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。
# 我们需要给共享层一个名称,以便可以引用它的参数
"""
参数绑定:
1、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。
2、如果我们改变其中一个参数,另一个参数也会改变。
3、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。
"""
shared = nn.Linear(8, 8)
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
shared, nn.ReLU(),
shared, nn.ReLU(),
nn.Linear(8 ,1))
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,而不是只有相同的值
print(net[2].weight.data[0] == net[4].weight.data[0])
3. 自定义层
我们可以用创造性的方式组合不同的层,从而设计出适用于各种任务的架构。
3.1 不带参数的层
"""
自定义CenteredLayer类:
1、要从其输入中减去均值;
2、要构建它,我们只需继承基础层类并实现前向传播功能。
"""
import torch
import torch.nn.functional as F
from torch import nn
class CenteredLayer(nn.Module):
def __init__(self):
super().__init__()
def forward(self, X):
return X - X.mean()
3.2 带参数的层
"""
自定义带参数的全连接层:
1、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;
2、使用修正线性单元作为激活函;
3、in_units和units,分别表示输入数和输出数。
"""
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)
4. 读写文件
有时我们希望保存训练的模型, 以备将来在各种环境中使用(比如在部署中进行预测)。
4.1 加载和保存张量
import torch
from torch import nn
from torch.nn import functional as F
x = torch.arange(4)
torch.save(x, 'x-file')
# 存储一个张量列表,然后把它们读回内存。
y = torch.zeros(4)
torch.save([x, y], 'x-files')
x2, y2 = torch.load('x-files')
(x2, y2)
# 写入或读取从字符串映射到张量的字典
mydict = {'x': x, 'y': y}
torch.save(mydict, 'mydict')
mydict2 = torch.load('mydict')
mydict2
4.2 加载和保存模型参数
"""
加载和保存模型参数:
1、深度学习框架提供了内置函数来保存和加载整个网络;
2、保存模型的参数而不是保存整个模型。
"""
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)
# 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
clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()
5. GPU
GPU能够帮助我们更好地进行计算,使用nvidia-smi命令来查看显卡信息。
!nvidia-smi
# 定义了两个方便的函数, 这两个函数允许我们在不存在所需所有GPU的情况下运行代码
def try_gpu(i=0): #@save
"""如果存在,则返回gpu(i),否则返回cpu()"""
if torch.cuda.device_count() >= i + 1:
return torch.device(f'cuda:{i}')
return torch.device('cpu')
def try_all_gpus(): #@save
"""返回所有可用的GPU,如果没有GPU,则返回[cpu(),]"""
devices = [torch.device(f'cuda{i}')
for i in range(torch.cuda.device_count())]
return devices if devices else [torch.device('cpu')]
try_gpu(), try_gpu(10), try_all_gpus()