Pytorch model.apply/net.apply

net.apply(fn: Callable[[ForwardRef(‘Module’)], NoneType]) -> ~T

• 介绍：Pytorch 中的 model.apply(fn) 会递归地将函数 fn 应用到父模块的每个子模块以及model这个父模块自身。通常用于初始化模型的参数。
• 参数：fn (:class:`Module` -> None)->将应用于每个子模块的函数
• 返回：Module: self

示例1：

来看以下示例：

@torch.no_grad()
def init_weights(m):
    print(m)
    if type(m) == nn.Linear:
        m.weight.fill_(1.0)
        print(m.weight)
net = nn.Sequential(nn.Linear(2, 2), nn.Linear(2, 2))
net.apply(init_weights)

在这个网络示例中，模块 net 有两个子模块，均为 Linear(2,4)。函数首先对这两个子模块调用 init_weights 函数，然后再对 net 模块进行同样的操作。
会打印以下信息：
Linear(in_features=2, out_features=2, bias=True)
Parameter containing:
tensor([[ 1., 1.],
        [ 1., 1.]])
Linear(in_features=2, out_features=2, bias=True)
Parameter containing:
tensor([[ 1., 1.],
        [ 1., 1.]])
Sequential(
   (0): Linear(in_features=2, out_features=2, bias=True)
   (1): Linear(in_features=2, out_features=2, bias=True)
)
Sequential(
   (0): Linear(in_features=2, out_features=2, bias=True)
   (1): Linear(in_features=2, out_features=2, bias=True)
)

可以看见的使，不仅仅分别打印两个Linear，还加上父模块自身自己父模块的返回Sequential。

示例2

或者下面这个例子：

net = nn.Sequential(nn.Flatten(), 
                    nn.Linear(784, 256),
                    nn.ReLU(), 
                    nn.Linear(256, 10))
def init_weights(m):
    print(m)
        
net.apply(init_weights)

会打印以下信息：
Flatten(start_dim=1, end_dim=-1)
Linear(in_features=784, out_features=256, bias=True)
ReLU()
Linear(in_features=256, out_features=10, bias=True)
Sequential(
   (0): Flatten(start_dim=1, end_dim=-1)
   (1): Linear(in_features=784, out_features=256, bias=True)
   (2): ReLU()
   (3): Linear(in_features=256, out_features=10, bias=True)
)

示例3

如果我们想对某些特定的子模块submodule做一些针对性的处理，该怎么做呢？我们可以加入type(m) == nn.Linear:这类判断语句，从而对特定子模块m进行处理：

net = nn.Sequential(nn.Flatten(), 
                    nn.Linear(784, 256),
                    nn.ReLU(), 
                    nn.Linear(256, 10))
def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)
        
net.apply(init_weights)