torch.nn.Module.apply 是 PyTorch 中用于递归地应用函数到模型的所有子模块的方法。它允许对模型中的每个子模块进行操作，比如初始化权重、改变参数类型等。
以下是关于 torch.nn.Module.apply 的示例：
1. 语法
Module.apply(fn)
- Module：PyTorch 中的神经网络模块，例如 torch.nn.Module 的子类。
- fn：要应用到每个子模块的函数。
2. 功能：
- apply 方法递归地将函数应用于模型的每个子模块（包括当前模块），并返回应用后的模型。
3. 示例：
- 初始化权重：
import torch
import torch.nn as nn# 自定义初始化函数
def init_weights(module):if isinstance(module, nn.Conv2d):nn.init.xavier_uniform_(module.weight)elif isinstance(module, nn.Linear):nn.init.normal_(module.weight, mean=0, std=0.01)nn.init.constant_(module.bias, 0)# 定义一个神经网络模型
class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()self.conv = nn.Conv2d(3, 16, 3)self.fc = nn.Linear(16 * 28 * 28, 10)def forward(self, x):x = self.conv(x)x = x.view(x.size(0), -1)x = self.fc(x)return x# 创建模型实例
model = MyModel()# 对模型的所有子模块应用初始化权重的函数
model.apply(init_weights)
- 改变参数类型：
import torch
import torch.nn as nn# 自定义函数：将所有参数类型转换为 float 类型
def convert_to_float(module):if hasattr(module, 'weight'):module.weight = nn.Parameter(module.weight.float())if hasattr(module, 'bias'):module.bias = nn.Parameter(module.bias.float())# 创建一个预训练的模型
pretrained_model = torch.hub.load('pytorch/vision:v0.6.0', 'resnet18', pretrained=True)# 将预训练模型的参数类型转换为 float
pretrained_model.apply(convert_to_float)
torch.nn.Module.apply 提供了一种方便的方式，允许对模型的每个子模块应用自定义函数，从而进行各种操作，如初始化权重、参数类型转换等。
注意事项：
- 应用的函数必须接受一个参数，通常命名为 module，用于表示每个子模块。
- apply 方法会修改原始模型，而不是返回一个新的模型副本。
torch.nn.Module.apply 方法是一个强大的工具，允许你对模型的每个子模块进行操作，从而实现初始化、类型转换、参数修改等一系列功能。通过传入不同的操作函数，你可以灵活地定制和修改模型。
 实战指南)
