Pytorch：模块（Module类）

文章目录

一、Module类介绍
- 1、主要功能
- 2、神经网络模型使用理解
- - a.前向传播示例代码
  - b.关键点

在 PyTorch 中，Module 是一个非常核心的概念，它是所有神经网络层和模型的基础类。torch.nn.Module 是构建所有神经网络的基类，在 PyTorch 中非常重要，因为它提供了网络的组织架构，并封装了权重、梯度的管理、模型参数的更新等功能。

PyTorch 中的 Linear 层、ReLU 激活函数以及大多数其他神经网络层和函数都返回 torch.Tensor 类型的对象。这些返回的张量包含了经过相应层或函数处理后的数据。在神经网络中，数据通常以张量的形式在各个层之间流动。

一、Module类介绍

所有神经网络层和模型的基础类，自定义神经网络时对其继承。

1、主要功能

封装参数：
- Module 类在内部自动管理层的参数。每当你在 Module 中定义一个层对象，如 self.conv1 = nn.Conv2d(...), PyTorch 自动将这些层的参数加入到模型的参数列表中。这些参数通过 module.parameters() 方法访问。模型参数（定义在模型内部的层的权重和偏置）默认 requires_grad=True。
自动梯度计算：
- 每个 Module 可以使用 PyTorch 的自动微分（autograd）系统来自动计算和存储梯度。在 forward 方法执行运算时，PyTorch 会跟踪这些运算产生的所有张量，对应的梯度在调用张量的 backward()方法后自动计算。由于模型参数默认requires_grad=True，因此对这些参数的所有操作都将被进行自动梯度计算。
前向传播定义：
- 在定义自己的网络时，需要覆盖 Module 的 forward() 方法。这是模型接收输入数据并返回输出的地方。forward() 方法定义了模型的前向传播路径。
模型保存和加载：
模型的保存和加载是在 PyTorch 中进行模型持久化和迁移学习的常用操作。模型可以保存为 .pt 或 .pth 文件，包括其参数、优化器状态和其他任何相关的信息。

保存模型:
- 最简单的保存方法是使用 torch.save 来保存模型的 state_dict，这是一个包含模型参数的字典。
```
torch.save(model.state_dict(), 'model_path.pth')
```
- 值得注意的是，这条命令只是用来保存模型参数的，因此在加载参数时，需要使用同样的模型使用load_state_dict()才可。
加载模型:
- 加载模型时，首先需要实例化模型对象，然后使用 load_state_dict() 方法加载参数。
```
model = MyModel()
model.load_state_dict(torch.load('model_path.pth'))
```

将模型移动到指定的设备:
在 PyTorch 中，可以将模型和数据移动到不同的设备上（如 CPU 或 GPU），以支持不同的计算需求。

使用 .to() 方法可以将模型移动到指定的设备：

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)

切换模型的训练和评估方式
torch.nn.Module 提供了 .train() 和 .eval() 方法，用于切换模型的训练和评估模式。

训练模式 (train):
- 在训练模式下，所有的层都被通知模型正在训练，这对于某些特定层（如 Dropout 和 BatchNorm）非常重要，因为它们在训练和评估时的行为不同。
```
model.train()
```
评估模式 (eval):
- 评估模式用于模型测试或验证阶段，确保所有层都处于评估状态。
```
model.eval()
```

.parameters()方法

parameters() 方法返回一个迭代器，包含模型中所有的参数（通常用于传递给优化器）。
```
for param in model.parameters():print(param.size())
```

.modules()方法

modules() 方法返回一个迭代器，遍历模型中的所有模块（层）。这在分析模型结构或应用特定操作到每一层时非常有用。
```
for module in model.modules():print(module)
```

2、神经网络模型使用理解

白话：
损失函数和优化器都不是module类中的方法，而是外部的方法，但是他们都能够作用于模型的权重：由于自动微分，损失函数接收的是结果张量，因此损失函数带来的梯度会被更新给权重的梯度。而优化器接受的是module对象参数的迭代器，它能根据参数的梯度对参数进行更新。

自定义神经网络，实际上就是定义一个类，该类继承自torch.nn.Module。在对这个类进行实例化时，是使用__init__默认构造函数实例化的。实例化后得到一个神经网络对象，对该对象输入数据会被重载为输入forward函数，而forward函数就是对输入数据进行一层一层的网络层结构处理。forward函数的输出一般是对输入进行了前向传播后的结果，为了对模型参数进行训练更新，我们一般还需要定义一个损失函数；这个损失函数是torch.tensor类型的，可以调用其backward函数，进行反向传播梯度；最后定义一个优化器，进行参数权重更新（实际上这里反向传播梯度就相当于损失函数对权重进行求导了，改变权重的方向就是让损失更小的方向。）

反向传播并不更新参数，优化器才是用来更新参数的，反向传播只是更新梯度。 这也是为什么优化器有一个学习率。教程：张量的梯度计算

非白话自定义神经网络的流程：

定义一个类，继承自 torch.nn.Module：
- 这个类是您自定义神经网络的基础。通过继承 torch.nn.Module，您的网络能够利用 PyTorch 提供的模块化、参数管理、梯度计算等强大功能。
在 __init__ 方法中初始化网络层：
- 这是定义神经网络结构的地方。您可以添加诸如全连接层 (nn.Linear), 卷积层 (nn.Conv2d), 激活函数 (nn.ReLU) 等。这些层将被自动注册为模块的子项，使其参数也自动成为模型的一部分。
定义 forward 方法：
- forward 方法描述了输入数据如何通过定义的层传播。这个方法是在模型训练和评估时自动被调用的，用于前向传播计算输出。
损失函数和反向传播：
- 在训练阶段，网络输出通过一个损失函数 (loss function) 评估其与真实标签的差异。常用的损失函数有 nn.CrossEntropyLoss（用于分类任务）和 nn.MSELoss（用于回归任务）。
- 调用损失张量的 .backward() 方法启动自动梯度计算，即反向传播。在这一过程中，PyTorch 根据损失函数自动计算每个参数的梯度，并存储在参数的 .grad 属性中。
- 在每次迭代后，需要手动清空梯度，以便下一次迭代。如果不清空梯度，梯度会累积，导致不正确的参数更新。清空梯度：optimizer.zero_grad()。
参数更新：
- 使用一个优化器（如 torch.optim.SGD 或 torch.optim.Adam）来调整网络参数，基于计算的梯度进行更新，以减少损失函数的值。这通常在调用 .backward() 后进行。

a.前向传播示例代码

损失函数和优化器的例子请看：神经网络训练过程代码详解

下面是一个简单的自定义 Module 的例子，定义了一个包含两个全连接层的简单神经网络。

import torch
import torch.nn as nn
import torch.nn.functional as Fclass SimpleNet(nn.Module):def __init__(self):super(SimpleNet, self).__init__()# 定义第一个全连接层self.fc1 = nn.Linear(16, 12)# 定义第二个全连接层self.fc2 = nn.Linear(12, 10)def forward(self, x):# 第一个全连接层的激活函数使用ReLUx = F.relu(self.fc1(x))# 第二个全连接层的输出x = self.fc2(x)return x# 实例化网络
net = SimpleNet()#__init__()里并不需要参数。默认构造函数不需要参数，net就是一个实例化对象。
# 创建一些随机输入数据
input = torch.randn(1, 16)# 通过网络进行前向传播
output = net(input)#实际上直接使用对象名()，重载为：调用forward函数。
#input先经过一个nn.Linear(16,12)，然后进行一次relu()，然后经过一个nn.Linear(12,10)