nn.Module、nn.Sequential和torch.nn.parameter学习笔记

nn.Module、nn.Sequential和torch.nn.parameter是利用pytorch构建神经网络最重要的三个函数。搞清他们的具体用法是学习pytorch的必经之路。

nn.Module

nn.Module中，自定义层的步骤：
1.自定义一个Module的子类，实现两个基本的函数：
（1）构造 init 函数 （2）层的逻辑运算函数，即正向传播的函数

2.在构造 init 函数中实现层的参数定义。 比如Linear层的权重和偏置，Conv2d层的in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode='zeros’这一系列参数；
3.在forward函数里实现前向运算。 一般都是通过torch.nn.functional.***函数来实现，如果该层含有权重，那么权重必须是nn.Parameter类型。
4.补充：一般情况下，我们定义的参数是可以求导的，但是自定义操作如不可导，需要实现backward函数。

例：

# 定义一个 my_layer.py
    import torch
    
    class MyLayer(torch.nn.Module):
        '''
        因为这个层实现的功能是：y=weights*sqrt(x2+bias),所以有两个参数：
        权值矩阵weights
        偏置矩阵bias
        输入 x 的维度是（in_features,)
        输出 y 的维度是（out_features,) 故而
        bias 的维度是（in_fearures,)，注意这里为什么是in_features,而不是out_features，注意体会这里和Linear层的区别所在
        weights 的维度是（in_features, out_features）注意这里为什么是（in_features, out_features）,而不是（out_features, in_features），注意体会这里和Linear层的区别所在
        '''
        def __init__(self, in_features, out_features, bias=True):
            super(MyLayer, self).__init__()  # 和自定义模型一样，第一句话就是调用父类的构造函数
            self.in_features = in_features
            self.out_features = out_features
            self.weight = torch.nn.Parameter(torch.Tensor(in_features, out_features)) # 由于weights是可以训练的，所以使用Parameter来定义
            if bias:
                self.bias = torch.nn.Parameter(torch.Tensor(in_features))             # 由于bias是可以训练的，所以使用Parameter来定义
            else:
                self.register_parameter('bias', None)
    
        def forward(self, input):
            input_=torch.pow(input,2)+self.bias
            y=torch.matmul(input_,self.weight)
            return y

    自定义模型并训练
    import torch
    from my_layer import MyLayer # 自定义层
    
    
    N, D_in, D_out = 10, 5, 3  # 一共10组样本，输入特征为5，输出特征为3 
    
    # 先定义一个模型
    class MyNet(torch.nn.Module):
        def __init__(self):
            super(MyNet, self).__init__()  # 第一句话，调用父类的构造函数
            self.mylayer1 = MyLayer(D_in,D_out)
    
        def forward(self, x):
            x = self.mylayer1(x)
    
            return x
    
    model = MyNet()
    print(model)
    '''运行结果为：
    MyNet(
    (mylayer1): MyLayer()   # 这就是自己定义的一个层
    )
    '''

    下面开始训练
    # 创建输入、输出数据
    x = torch.randn(N, D_in)  #（10，5）
    y = torch.randn(N, D_out) #（10，3）
    
    
    #定义损失函数
    loss_fn = torch.nn.MSELoss(reduction='sum')
    
    learning_rate = 1e-4
    #构造一个optimizer对象
    optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
    
    for t in range(10): # 
        
        # 第一步：数据的前向传播，计算预测值p_pred
        y_pred = model(x)
    
        # 第二步：计算计算预测值p_pred与真实值的误差
        loss = loss_fn(y_pred, y)
        print(f"第 {t} 个epoch, 损失是 {loss.item()}")
    
        # 在反向传播之前，将模型的梯度归零，这
        optimizer.zero_grad()
    
        # 第三步：反向传播误差
        loss.backward()
    
        # 直接通过梯度一步到位，更新完整个网络的训练参数
        optimizer.step()

nn.Sequential

torch.nn.Sequential是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。
与nn.Module相同，nn.Sequential也是用来构建神经网络的，但nn.Sequential不需要像nn.Module那么多过程，可以快速构建神经网络。
使用nn.Module可以根据自己的需求改变传播过程。

        model = nn.Sequential(
          nn.Conv2d(1,20,5),
          nn.ReLU(),
          nn.Conv2d(20,64,5),
          nn.ReLU()
        )

这个构建网络的方法工作量略有减少，但有特殊需求的网络还是要用nn.Module。

torch.nn.Parameter

torch.nn.Parameter是继承自torch.Tensor的子类，其主要作用是作为nn.Module中的可训练参数使用。它与torch.Tensor的区别就是nn.Parameter会自动被认为是module的可训练参数，即加入到parameter()这个迭代器中去；而module中非nn.Parameter()的普通tensor是不在parameter中的。
nn.Parameter的对象的requires_grad属性的默认值是True，即是可被训练的，这与torh.Tensor对象的默认值相反。
在nn.Module类中，pytorch也是使用nn.Parameter来对每一个module的参数进行初始化的。
例：

class Linear(Module):
    r"""Applies a linear transformation to the incoming data: :math:`y = xA^T + b`
    Args:
        in_features: size of each input sample
        out_features: size of each output sample
        bias: If set to ``False``, the layer will not learn an additive bias.
            Default: ``True``
    Shape:
        - Input: :math:`(N, *, H_{in})` where :math:`*` means any number of
          additional dimensions and :math:`H_{in} = \text{in\_features}`
        - Output: :math:`(N, *, H_{out})` where all but the last dimension
          are the same shape as the input and :math:`H_{out} = \text{out\_features}`.
    Attributes:
        weight: the learnable weights of the module of shape
            :math:`(\text{out\_features}, \text{in\_features})`. The values are
            initialized from :math:`\mathcal{U}(-\sqrt{k}, \sqrt{k})`, where
            :math:`k = \frac{1}{\text{in\_features}}`
        bias:   the learnable bias of the module of shape :math:`(\text{out\_features})`.
                If :attr:`bias` is ``True``, the values are initialized from
                :math:`\mathcal{U}(-\sqrt{k}, \sqrt{k})` where
                :math:`k = \frac{1}{\text{in\_features}}`
    Examples::
        >>> m = nn.Linear(20, 30)
        >>> input = torch.randn(128, 20)
        >>> output = m(input)
        >>> print(output.size())
        torch.Size([128, 30])
    """
    __constants__ = ['in_features', 'out_features']

    def __init__(self, in_features, out_features, bias=True):
        super(Linear, self).__init__()
        self.in_features = in_features
        self.out_features = out_features
        self.weight = Parameter(torch.Tensor(out_features, in_features))
        if bias:
            self.bias = Parameter(torch.Tensor(out_features))
        else:
            self.register_parameter('bias', None)
        self.reset_parameters()

    def reset_parameters(self):
        init.kaiming_uniform_(self.weight, a=math.sqrt(5))
        if self.bias is not None:
            fan_in, _ = init._calculate_fan_in_and_fan_out(self.weight)
            bound = 1 / math.sqrt(fan_in)
            init.uniform_(self.bias, -bound, bound)

    def forward(self, input):
        return F.linear(input, self.weight, self.bias)

    def extra_repr(self):
        return 'in_features={}, out_features={}, bias={}'.format(
            self.in_features, self.out_features, self.bias is not None
        )

显然，在__init__(self, in_features, out_features, bias=True)中，下面的代码使用了nn.Parameter()对weights进行了初始化

参考：
https://blog.csdn.net/qq_27825451/article/details/90705328
https://blog.csdn.net/qq_28753373/article/details/104179354