PyTorch模型容器與AlexNet構建示例詳解

更新時間：2023年07月13日 09:17:09 作者：YOLO

這篇文章主要為大家介紹了PyTorch模型容器與AlexNet構建示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪

模型容器與AlexNet構建

文章和代碼已經(jīng)歸檔至【Github倉庫：https://github.com/timerring/dive-into-AI 】

除了上述的模塊之外，還有一個重要的概念是模型容器 (Containers)，常用的容器有 3 個，這些容器都是繼承自nn.Module。

nn.Sequetial：按照順序包裝多個網(wǎng)絡層
nn.ModuleList：像 python 的 list 一樣包裝多個網(wǎng)絡層，可以迭代
nn.ModuleDict：像 python 的 dict 一樣包裝多個網(wǎng)絡層，通過 (key, value) 的方式為每個網(wǎng)絡層指定名稱。

nn.Sequetial

深度學習中，特征提取和分類器這兩步被融合到了一個神經(jīng)網(wǎng)絡中。在卷積神經(jīng)網(wǎng)絡中，前面的卷積層以及池化層可以認為是特征提取部分，而后面的全連接層可以認為是分類器部分。比如 LeNet 就可以分為特征提取和分類器兩部分，這 2 部分都可以分別使用 nn.Seuqtial 來包裝。

代碼如下：

class LeNetSequetial(nn.Module):
    def __init__(self, classes):
        super(LeNet2, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 6, 5),
            nn.ReLU(),
            nn.MaxPool2d(2, 2),
            nn.Conv2d(6, 16, 5),
            nn.ReLU(),
            nn.MaxPool2d(2, 2)
        )
        self.classifier = nn.Sequential(
            nn.Linear(16*5*5, 120),
            nn.ReLU(),
            nn.Linear(120, 84),
            nn.ReLU(),
            nn.Linear(84, classes)
        )
    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size()[0], -1)
        x = self.classifier(x)
        return x

在初始化時，nn.Sequetial會調(diào)用__init__()方法，將每一個子 module 添加到自身的_modules屬性中。這里可以看到，我們傳入的參數(shù)可以是一個 list，或者一個 OrderDict。如果是一個 OrderDict，那么則使用 OrderDict 里的 key，否則使用數(shù)字作為 key。

def __init__(self, *args):
        super(Sequential, self).__init__()
        if len(args) == 1 and isinstance(args[0], OrderedDict):
            for key, module in args[0].items():
                self.add_module(key, module)
        else:
            for idx, module in enumerate(args):
                self.add_module(str(idx), module)

網(wǎng)絡初始化完成后有兩個子 module：features和classifier。

而features中的子 module 如下，每個網(wǎng)絡層以序號作為 key：

在進行前向傳播時，會進入 LeNet 的forward()函數(shù)，首先調(diào)用第一個Sequetial容器：self.features，由于self.features也是一個 module，因此會調(diào)用__call__()函數(shù)，里面調(diào)用

result = self.forward(*input, **kwargs)，進入nn.Seuqetial的forward()函數(shù)，在這里依次調(diào)用所有的 module。上一個module的輸出是下一個module的輸入。

def forward(self, input):
        for module in self:
            input = module(input)
        return input

在上面可以看到在nn.Sequetial中，里面的每個子網(wǎng)絡層 module 是使用序號來索引的，即使用數(shù)字來作為key。

一旦網(wǎng)絡層增多，難以查找特定的網(wǎng)絡層，這種情況可以使用 OrderDict (有序字典)?？梢耘c上面的代碼對比一下

class LeNetSequentialOrderDict(nn.Module):
    def __init__(self, classes):
        super(LeNetSequentialOrderDict, self).__init__()
        self.features = nn.Sequential(OrderedDict({
            'conv1': nn.Conv2d(3, 6, 5),
            'relu1': nn.ReLU(inplace=True),
            'pool1': nn.MaxPool2d(kernel_size=2, stride=2),
            'conv2': nn.Conv2d(6, 16, 5),
            'relu2': nn.ReLU(inplace=True),
            'pool2': nn.MaxPool2d(kernel_size=2, stride=2),
        }))
        self.classifier = nn.Sequential(OrderedDict({
            'fc1': nn.Linear(16*5*5, 120),
            'relu3': nn.ReLU(),
            'fc2': nn.Linear(120, 84),
            'relu4': nn.ReLU(inplace=True),
            'fc3': nn.Linear(84, classes),
        }))
        ...
        ...
        ...

總結(jié)

nn.Sequetial是nn.Module的容器，用于按順序包裝一組網(wǎng)絡層，有以下兩個特性。

順序性：各網(wǎng)絡層之間嚴格按照順序構建，我們在構建網(wǎng)絡時，一定要注意前后網(wǎng)絡層之間輸入和輸出數(shù)據(jù)之間的形狀是否匹配
自帶forward()函數(shù)：在nn.Sequetial的forward()函數(shù)里通過 for 循環(huán)依次讀取每個網(wǎng)絡層，執(zhí)行前向傳播運算。這使得我們我們構建的模型更加簡潔

nn.ModuleList

nn.ModuleList是nn.Module的容器，用于包裝一組網(wǎng)絡層，以迭代的方式調(diào)用網(wǎng)絡層，主要有以下 3 個方法：

append()：在 ModuleList 后面添加網(wǎng)絡層
extend()：拼接兩個 ModuleList
insert()：在 ModuleList 的指定位置中插入網(wǎng)絡層

下面的代碼通過列表生成式來循環(huán)迭代創(chuàng)建 20 個全連接層，非常方便，只是在 forward()函數(shù)中需要手動調(diào)用每個網(wǎng)絡層。

class ModuleList(nn.Module):
    def __init__(self):
        super(ModuleList, self).__init__()
        self.linears = nn.ModuleList([nn.Linear(10, 10) for i in range(20)])
    def forward(self, x):
        for i, linear in enumerate(self.linears):
            x = linear(x)
        return x
net = ModuleList()
print(net)
fake_data = torch.ones((10, 10))
output = net(fake_data)
print(output)

nn.ModuleDict

nn.ModuleDict是nn.Module的容器，用于包裝一組網(wǎng)絡層，以索引的方式調(diào)用網(wǎng)絡層，主要有以下 5 個方法：

clear()：清空 ModuleDict
items()：返回可迭代的鍵值對 (key, value)
keys()：返回字典的所有 key
values()：返回字典的所有 value
pop()：返回一對鍵值，并從字典中刪除

下面的模型創(chuàng)建了兩個ModuleDict：self.choices和self.activations，在前向傳播時通過傳入對應的 key 來執(zhí)行對應的網(wǎng)絡層。

class ModuleDict(nn.Module):
    def __init__(self):
        super(ModuleDict, self).__init__()
        self.choices = nn.ModuleDict({
            'conv': nn.Conv2d(10, 10, 3),
            'pool': nn.MaxPool2d(3)
        })
        self.activations = nn.ModuleDict({
            'relu': nn.ReLU(),
            'prelu': nn.PReLU()
        })
    def forward(self, x, choice, act):
        x = self.choices[choice](x)
        x = self.activations[act](x)
        return x
net = ModuleDict()
fake_img = torch.randn((4, 10, 32, 32))
output = net(fake_img, 'conv', 'relu')
# output = net(fake_img, 'conv', 'prelu')
print(output)

容器總結(jié)

nn.Sequetial：順序性，各網(wǎng)絡層之間嚴格按照順序執(zhí)行，常用于 block 構建，在前向傳播時的代碼調(diào)用變得簡潔
nn.ModuleList：迭代行，常用于大量重復網(wǎng)絡構建，通過 for 循環(huán)實現(xiàn)重復構建
nn.ModuleDict：索引性，常用于可選擇的網(wǎng)絡層

AlexNet實現(xiàn)

AlexNet 特點如下：

采用 ReLU 替換飽和激活函數(shù)，減輕梯度消失
采用 LRN (Local Response Normalization) 對數(shù)據(jù)進行局部歸一化，減輕梯度消失
采用 Dropout 提高網(wǎng)絡的魯棒性，增加泛化能力
使用 Data Augmentation，包括 TenCrop 和一些色彩修改

AlexNet 的網(wǎng)絡結(jié)構可以分為兩部分：features 和 classifier。

可以在計算機視覺庫torchvision.models中找到 AlexNet 的代碼，通過看可知使用了nn.Sequential來封裝網(wǎng)絡層。

class AlexNet(nn.Module):
    def __init__(self, num_classes=1000):
        super(AlexNet, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(64, 192, kernel_size=5, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(192, 384, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(384, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(256, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
        )
        self.avgpool = nn.AdaptiveAvgPool2d((6, 6))
        self.classifier = nn.Sequential(
            nn.Dropout(),
            nn.Linear(256 * 6 * 6, 4096),
            nn.ReLU(inplace=True),
            nn.Dropout(),
            nn.Linear(4096, 4096),
            nn.ReLU(inplace=True),
            nn.Linear(4096, num_classes),
        )
    def forward(self, x):
        x = self.features(x)
        x = self.avgpool(x)
        x = torch.flatten(x, 1)
        x = self.classifier(x)
        return x

以上就是PyTorch模型容器與AlexNet構建示例詳解的詳細內(nèi)容，更多關于PyTorch AlexNet構建的資料請關注腳本之家其它相關文章！

您可能感興趣的文章: