前言

Pytorch、Tensoflow等許多深度學(xué)習(xí)框架集成了大量常見的網(wǎng)絡(luò)層，為我們搭建神經(jīng)網(wǎng)絡(luò)提供了諸多便利。但在實(shí)際工作中，因?yàn)轫?xiàng)目要求、研究需要或者發(fā)論文需要等等，大家一般都會(huì)需要自己發(fā)明一個(gè)現(xiàn)在在深度學(xué)習(xí)框架中還不存在的層。 在這些情況下，就必須構(gòu)建自定義層。

博主在學(xué)習(xí)了沐神的動(dòng)手學(xué)深度學(xué)習(xí)這本書之后，學(xué)到了許多東西。這里記錄一下書中基于Pytorch實(shí)現(xiàn)簡(jiǎn)單自定義網(wǎng)絡(luò)層的方法，僅供參考。

一、不帶參數(shù)的層

首先，我們構(gòu)造一個(gè)沒有任何參數(shù)的自定義層，要構(gòu)建它，只需繼承基礎(chǔ)層類并實(shí)現(xiàn)前向傳播功能。

import torch
import torch.nn.functional as F
from torch import nn
class CenteredLayer(nn.Module):
    def __init__(self):
        super().__init__()
 
    def forward(self, X):
        return X - X.mean()

輸入一些數(shù)據(jù)，驗(yàn)證一下網(wǎng)絡(luò)是否能正常工作：

layer = CenteredLayer()
print(layer(torch.FloatTensor([1, 2, 3, 4, 5])))

輸出結(jié)果如下：

tensor([-2., -1.,  0.,  1.,  2.])

運(yùn)行正常，表明網(wǎng)絡(luò)沒有問題。

現(xiàn)在將我們自建的網(wǎng)絡(luò)層作為組件合并到更復(fù)雜的模型中，并輸入數(shù)據(jù)進(jìn)行驗(yàn)證：

net = nn.Sequential(nn.Linear(8, 128), CenteredLayer())
Y = net(torch.rand(4, 8))
print(Y.mean())  # 因?yàn)槟Ｐ蛥?shù)較多，輸出也較多，所以這里輸出Y的均值，驗(yàn)證模型可運(yùn)行即可

結(jié)果如下：

tensor(-5.5879e-09, grad_fn=<MeanBackward0>)

二、帶參數(shù)的層

這里使用內(nèi)置函數(shù)來創(chuàng)建參數(shù)，這些函數(shù)可以提供一些基本的管理功能，使用更加方便。

這里實(shí)現(xiàn)了一個(gè)簡(jiǎn)單的自定義的全連接層，大家可根據(jù)需要自行修改即可。

class MyLinear(nn.Module):
    def __init__(self, in_units, units):
        super().__init__()
        self.weight = nn.Parameter(torch.randn(in_units, units))
        self.bias = nn.Parameter(torch.randn(units,))
    def forward(self, X):
        linear = torch.matmul(X, self.weight.data) + self.bias.data
        return F.relu(linear)

接下來實(shí)例化類并訪問其模型參數(shù)：

linear = MyLinear(5, 3)
print(linear.weight)

結(jié)果如下：

Parameter containing:
tensor([[-0.3708,  1.2196,  1.3658],
        [ 0.4914, -0.2487, -0.9602],
        [ 1.8458,  0.3016, -0.3956],
        [ 0.0616, -0.3942,  1.6172],
        [ 0.7839,  0.6693, -0.8890]], requires_grad=True)

而后輸入一些數(shù)據(jù)，查看模型輸出結(jié)果：

print(linear(torch.rand(2, 5)))
# 結(jié)果如下
tensor([[1.2394, 0.0000, 0.0000],
        [1.3514, 0.0968, 0.6667]])

我們還可以使用自定義層構(gòu)建模型，使用方法與使用內(nèi)置的全連接層相同。

net = nn.Sequential(MyLinear(64, 8), MyLinear(8, 1))
print(net(torch.rand(2, 64)))
# 結(jié)果如下
tensor([[4.1416],
        [0.2567]])

三、總結(jié)

我們可以通過基本層類設(shè)計(jì)自定義層。這允許我們定義靈活的新層，其行為與深度學(xué)習(xí)框架中的任何現(xiàn)有層不同。

在自定義層定義完成后，我們就可以在任意環(huán)境和網(wǎng)絡(luò)架構(gòu)中調(diào)用該自定義層。

層可以有局部參數(shù)，這些參數(shù)可以通過內(nèi)置函數(shù)創(chuàng)建。

四、參考

《動(dòng)手學(xué)深度學(xué)習(xí)》 — 動(dòng)手學(xué)深度學(xué)習(xí) 2.0.0-beta0 documentation

https://zh-v2.d2l.ai/

附：pytorch獲取網(wǎng)絡(luò)的層數(shù)和每層的名字

#創(chuàng)建自己的網(wǎng)絡(luò)
import models
model = models.__dict__["resnet50"](pretrained=True)

for index ,(name, param) in enumerate(model.named_parameters()):
? ? print( str(index) + " " +name)

結(jié)果如下：

0 conv1.weight
1 bn1.weight
2 bn1.bias
3 layer1.0.conv1.weight
4 layer1.0.bn1.weight
5 layer1.0.bn1.bias
6 layer1.0.conv2.weight
7 layer1.0.bn2.weight
8 layer1.0.bn2.bias
9 layer1.0.conv3.weight

到此這篇關(guān)于Pytorch實(shí)現(xiàn)簡(jiǎn)單自定義網(wǎng)絡(luò)層的文章就介紹到這了,更多相關(guān)Pytorch自定義網(wǎng)絡(luò)層內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論