快捷導(dǎo)航

PyTorch之前向傳播函數(shù)forward用法解讀

更新時(shí)間：2023年09月08日 09:58:21 作者：鵲踏枝-碼農(nóng)

這篇文章主要介紹了PyTorch之前向傳播函數(shù)forward用法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教

之前向傳播函數(shù)forward用法

神經(jīng)網(wǎng)絡(luò)的典型處理如下所示：

1.定義可學(xué)習(xí)參數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)（堆疊各層和層的設(shè)計(jì)）；
2.數(shù)據(jù)集輸入；
3.對(duì)輸入進(jìn)行處理（由定義的網(wǎng)絡(luò)層進(jìn)行處理）,主要體現(xiàn)在網(wǎng)絡(luò)的前向傳播；
4.計(jì)算loss ，由Loss層計(jì)算；
5.反向傳播求梯度；
6.根據(jù)梯度改變參數(shù)值,最簡(jiǎn)單的實(shí)現(xiàn)方式（SGD）為:

weight = weight - learning_rate * gradient

利用PyTorch定義深度網(wǎng)絡(luò)層（Op）示例

class FeatureL2Norm(torch.nn.Module):
    def __init__(self):
        super(FeatureL2Norm, self).__init__()
    def forward(self, feature):
        epsilon = 1e-6
#        print(feature.size())
#        print(torch.pow(torch.sum(torch.pow(feature,2),1)+epsilon,0.5).size())
        norm = torch.pow(torch.sum(torch.pow(feature,2),1)+epsilon,0.5).unsqueeze(1).expand_as(feature)
        return torch.div(feature,norm)

class FeatureRegression(nn.Module):
    def __init__(self, output_dim=6, use_cuda=True):
        super(FeatureRegression, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(225, 128, kernel_size=7, padding=0),
            nn.BatchNorm2d(128),
            nn.ReLU(inplace=True),
            nn.Conv2d(128, 64, kernel_size=5, padding=0),
            nn.BatchNorm2d(64),
            nn.ReLU(inplace=True),
        )
        self.linear = nn.Linear(64 * 5 * 5, output_dim)
        if use_cuda:
            self.conv.cuda()
            self.linear.cuda()
    def forward(self, x):
        x = self.conv(x)
        x = x.view(x.size(0), -1)
        x = self.linear(x)
        return x

由上例代碼可以看到，不論是在定義網(wǎng)絡(luò)結(jié)構(gòu)還是定義網(wǎng)絡(luò)層的操作（Op），均需要定義forward函數(shù)，下面看一下PyTorch官網(wǎng)對(duì)PyTorch的forward方法的描述：

那么調(diào)用forward方法的具體流程是什么樣的呢？

具體流程是這樣的：

以一個(gè)Module為例：

1.調(diào)用module的call方法
2.module的call里面調(diào)用module的forward方法
3.forward里面如果碰到Module的子類，回到第1步，如果碰到的是Function的子類，繼續(xù)往下
4.調(diào)用Function的call方法
5.Function的call方法調(diào)用了Function的forward方法。
6.Function的forward返回值
7.module的forward返回值
8.在module的call進(jìn)行forward_hook操作，然后返回值。

上述中“調(diào)用module的call方法”是指nn.Module 的__call__方法。

定義__call__方法的類可以當(dāng)作函數(shù)調(diào)用，具體參考Python的面向?qū)ο缶幊獭?/p>

也就是說(shuō)，當(dāng)把定義的網(wǎng)絡(luò)模型model當(dāng)作函數(shù)調(diào)用的時(shí)候就自動(dòng)調(diào)用定義的網(wǎng)絡(luò)模型的forward方法。

nn.Module 的__call__方法部分源碼

如下所示：

def __call__(self, *input, **kwargs):
   result = self.forward(*input, **kwargs)
   for hook in self._forward_hooks.values():
       #將注冊(cè)的hook拿出來(lái)用
       hook_result = hook(self, input, result)
   ...
   return result

可以看到，當(dāng)執(zhí)行model(x)的時(shí)候，底層自動(dòng)調(diào)用forward方法計(jì)算結(jié)果。

具體示例如下：

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
	layer1 = nn.Sequential()
	layer1.add_module('conv1', nn.Conv(1, 6, 3, padding=1))
	layer1.add_moudle('pool1', nn.MaxPool2d(2, 2))
	self.layer1 = layer1
	layer2 = nn.Sequential()
	layer2.add_module('conv2', nn.Conv(6, 16, 5))
	layer2.add_moudle('pool2', nn.MaxPool2d(2, 2))
	self.layer2 = layer2
	layer3 = nn.Sequential()
	layer3.add_module('fc1', nn.Linear(400, 120))
	layer3.add_moudle('fc2', nn.Linear(120, 84))
	layer3.add_moudle('fc3', nn.Linear(84, 10))
	self.layer3 = layer3
    def forward(self, x):
	x = self.layer1(x)
	x = self.layer2(x)
	x = x.view(x.size(0), -1)
	x = self.layer3(x)
	return x