使用Pytorch實(shí)現(xiàn)two-head(多輸出)模型的操作

更新時(shí)間：2021年05月28日 11:53:20 作者：XJTU-Qidong

這篇文章主要介紹了使用Pytorch實(shí)現(xiàn)two-head(多輸出)模型的操作，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

如何使用Pytorch實(shí)現(xiàn)two-head（多輸出）模型

1. two-head模型定義

先放一張我要實(shí)現(xiàn)的模型結(jié)構(gòu)圖：

A two-head model

如上圖，就是一個(gè)two-head模型，也是一個(gè)但輸入多輸出模型。該模型的特點(diǎn)是輸入一個(gè)x和一個(gè)t，h0和h1中只有一個(gè)會輸出，所以可能這不算是一個(gè)典型的多輸出模型。

2.實(shí)現(xiàn)所遇到的困難一開始的想法：

這不是很簡單嘛，做一個(gè)判斷不就完了，t=0時(shí)模型為前半段加h0，t=1時(shí)模型為前半段加h1。但實(shí)現(xiàn)的時(shí)候傻眼了，發(fā)現(xiàn)在真正前向傳播的時(shí)候t是一個(gè)tensor，有0有1，沒法兒進(jìn)行判斷。

靈機(jī)一動(dòng)，又生一法：把這個(gè)模型變?yōu)槿齻€(gè)模型，前半段是一個(gè)模型（r），后面的h0和h1分別為另兩個(gè)模型。把數(shù)據(jù)集按t=0和1分開，分別訓(xùn)練兩個(gè)模型：r+h0和r+h1。

但是后來搜如何進(jìn)行模型串聯(lián)，發(fā)現(xiàn)極為麻煩。

3.解決方案

后來在pytorch的官方社區(qū)中看到一個(gè)極為簡單的方法：

（1）按照一般的多輸出模型進(jìn)行實(shí)現(xiàn)，代碼如下：

def forward(self, x):
        #三層的表示層
        x = F.elu(self.fcR1(x))
        x = F.elu(self.fcR2(x))
        x = F.elu(self.fcR3(x))
		#two-head，兩個(gè)head分別進(jìn)行輸出
        y0 = F.elu(self.fcH01(x))
        y0 = F.elu(self.fcH02(y0))
        y0 = F.elu(self.fcH03(y0))
        y1 = F.elu(self.fcH11(x))
        y1 = F.elu(self.fcH12(y1))
        y1 = F.elu(self.fcH13(y1))
        return y0, y1

這樣就相當(dāng)實(shí)現(xiàn)了一個(gè)多輸出模型，一個(gè)x同時(shí)輸出y0和y1.

訓(xùn)練的時(shí)候分別訓(xùn)練，也即分別建loss，代碼如下：

    f_out_y0, _ = net(x0)
            _, f_out_y1 = net(x1)
            #實(shí)例化損失函數(shù)
            criterion0 = Loss()
            criterion1 = Loss()
            loss0 = criterion0(f_y0, f_out_y0, w0)
            loss1 = criterion1(f_y1, f_out_y1, w1)
            print(loss0.item(), loss1.item())
            #對網(wǎng)絡(luò)參數(shù)進(jìn)行初始化
            optimizer.zero_grad()
            loss0.backward()
            loss1.backward()
            #對網(wǎng)絡(luò)的參數(shù)進(jìn)行更新
            optimizer.step()

先把x按t=0和t=1分為x0和x1，然后分別送入進(jìn)行訓(xùn)練。這樣就實(shí)現(xiàn)了一個(gè)two-head模型。

4.后記

我自以為多輸出模型可以分為以下兩類：

多個(gè)輸出不同時(shí)獲得，如本文情況。

多個(gè)輸出同時(shí)獲得。

多輸出不同時(shí)獲得的解決方法上文已說明。多輸出同時(shí)獲得則可以通過把y0和y1拼接起來一起輸出來實(shí)現(xiàn)。

補(bǔ)充：PyTorch 多輸入多輸出模型構(gòu)建

本篇教程基于 PyTorch 1.5版本

直接上代碼！

import torch
import torch.nn as nn
from torch.autograd import Variable
import torch.distributed as dist
import torch.utils.data as data_utils
class Net(nn.Module):
    def __init__(self, n_input, n_hidden, n_output):
        super(Net, self).__init__()
        self.hidden1 = nn.Linear(n_input, n_hidden)
        self.hidden2 = nn.Linear(n_hidden, n_hidden)
        self.predict1 = nn.Linear(n_hidden*2, n_output)
        self.predict2 = nn.Linear(n_hidden*2, n_output)
    def forward(self, input1, input2): # 多輸入?。?！
        out01 = self.hidden1(input1)
        out02 = torch.relu(out01)
        out03 = self.hidden2(out02)
        out04 = torch.sigmoid(out03)
        out11 = self.hidden1(input2)
        out12 = torch.relu(out11)
        out13 = self.hidden2(out12)
        out14 = torch.sigmoid(out13)
        out = torch.cat((out04, out14), dim=1) # 模型層拼合?。?！當(dāng)然你的模型中可能不需要~
 
        out1 = self.predict1(out)
        out2 = self.predict2(out)
        return out1, out2 # 多輸出?。?！
net = Net(1, 20, 1)
x1 = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # 請不要關(guān)心這里，隨便弄一個(gè)數(shù)據(jù)，為了說明問題而已
y1 = x1.pow(3)+0.1*torch.randn(x1.size())
x2 = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y2 = x2.pow(3)+0.1*torch.randn(x2.size())
x1, y1 = (Variable(x1), Variable(y1))
x2, y2 = (Variable(x2), Variable(y2))
optimizer = torch.optim.SGD(net.parameters(), lr=0.1)
loss_func = torch.nn.MSELoss()
for t in range(5000):
    prediction1, prediction2 = net(x1, x2)
    loss1 = loss_func(prediction1, y1)
    loss2 = loss_func(prediction2, y2)
    loss = loss1 + loss2 # 重點(diǎn)！
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    if t % 100 == 0:
       print('Loss1 = %.4f' % loss1.data,'Loss2 = %.4f' % loss2.data,)

至此搞定！

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: