pytroch常用包
PyTorch框架中有一个很常用的包:torchvision
torchvision主要由3个子包构成:torchvision.datasets
、torchvision.models
、torchvision.transforms
torchvision
和torchtext
基于torch.utils.data.Dataset
和torch.utils.data.DataLoder
类构建nn
来源于torch.nn
optim
来源于torch.optim
超参数算法都在里面lr_scheduler
来源于torch.optim.lr_scheduler
自适应学习率算法在里面ImageFolder
在torchvision.datasets
中torchvision.models
中提供一些现有的流行算法
torch.nn.functional
各中层函数的实现,与层类型对应,如:卷积函数、池化函数、归一化函数等等
torch.nn与nn.Module
torch.nn是专门为神经网络设计的模块化接口。nn构建于autograd之上,可以用来定义和运行神经网络。
torch.nn的核心数据结构是Module
,它是一个抽象概念,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。无需纠结variable和tensor了,0.4版本已经将两个类彻底合并了。
在实际使用中,最常见的做法是继承nn.Module
,撰写自己的网络/层。
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)
,推荐使用第一种用法。在构造函数
__init__
中必须自己定义可学习的参数,并封装成Parameter
,比如 _FasterRcnn类init中定义了 self.RCNN_loss_cls = 0 和 self.RCNN_loss_bbox = 0 还有在本例中我们把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)。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。无需写反向传播函数,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,这点比Function简单许多。 faster rcnn等中反向传播直接写pass的原因。
使用时,直观上可将layer看成数学概念中的函数,调用layer(input)即可得到input对应的结果。它等价于
layers.__call__(input)
,在__call__
函数中,主要调用的是layer.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layer(x)
而不是使用layer.forward(x)
。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都附上名字,使其更具有辨识度。Module能够自动检测到自己的
Parameter
,并将其作为学习参数。
nn.ReLU和F.ReLU有什么区别?
将ReLU层添加到网络有两种不同的实现,即nn.ReLU和F.ReLU两种实现方法。
其中nn.ReLU作为一个层结构,必须添加到nn.Module容器中才能使用,而F.ReLU则作为一个函数调用,看上去作为一个函数调用更方便更简洁。具体使用哪种方式,取决于编程风格。在PyTorch中,nn.X都有对应的函数版本F.X,但是并不是所有的F.X均可以用于forward或其它代码段中,因为当网络模型训练完毕时,在存储model时,在forward中的F.X函数中的参数是无法保存的。也就是说,在forward中,使用的F.X函数一般均没有状态参数,比如F.ReLU,F.avg_pool2d等,均没有参数,它们可以用在任何代码片段中。
nn.Softmax() = nn.Linear() + forward最后输出的时候调用F.softmax()