<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ThinkChat2.0新版上線,更智能更精彩,支持會話、畫圖、視頻、閱讀、搜索等,送10W Token,即刻開啟你的AI之旅 廣告
                # 4.1 模型構造 讓我們回顧一下在3.10節(多層感知機的簡潔實現)中含單隱藏層的多層感知機的實現方法。我們首先構造`Sequential`實例,然后依次添加兩個全連接層。其中第一層的輸出大小為256,即隱藏層單元個數是256;第二層的輸出大小為10,即輸出層單元個數是10。我們在上一章的其他節中也使用了`Sequential`類構造模型。這里我們介紹另外一種基于`Module`類的模型構造方法:它讓模型構造更加靈活。 > 注:其實前面我們陸陸續續已經使用了這些方法了,本節系統介紹一下。 ## 4.1.1 繼承`Module`類來構造模型 `Module`類是`nn`模塊里提供的一個模型構造類,是所有神經網絡模塊的基類,我們可以繼承它來定義我們想要的模型。下面繼承`Module`類構造本節開頭提到的多層感知機。這里定義的`MLP`類重載了`Module`類的`__init__`函數和`forward`函數。它們分別用于創建模型參數和定義前向計算。前向計算也即正向傳播。 ``` python import torch from torch import nn class MLP(nn.Module): # 聲明帶有模型參數的層,這里聲明了兩個全連接層 def __init__(self, **kwargs): # 調用MLP父類Block的構造函數來進行必要的初始化。這樣在構造實例時還可以指定其他函數 # 參數,如“模型參數的訪問、初始化和共享”一節將介紹的模型參數params super(MLP, self).__init__(**kwargs) self.hidden = nn.Linear(784, 256) # 隱藏層 self.act = nn.ReLU() self.output = nn.Linear(256, 10) # 輸出層 # 定義模型的前向計算,即如何根據輸入x計算返回所需要的模型輸出 def forward(self, x): a = self.act(self.hidden(x)) return self.output(a) ``` 以上的`MLP`類中無須定義反向傳播函數。系統將通過自動求梯度而自動生成反向傳播所需的`backward`函數。 我們可以實例化`MLP`類得到模型變量`net`。下面的代碼初始化`net`并傳入輸入數據`X`做一次前向計算。其中,`net(X)`會調用`MLP`繼承自`Module`類的`__call__`函數,這個函數將調用`MLP`類定義的`forward`函數來完成前向計算。 ``` python X = torch.rand(2, 784) net = MLP() print(net) net(X) ``` 輸出: ``` MLP( (hidden): Linear(in_features=784, out_features=256, bias=True) (act): ReLU() (output): Linear(in_features=256, out_features=10, bias=True) ) tensor([[-0.1798, -0.2253, 0.0206, -0.1067, -0.0889, 0.1818, -0.1474, 0.1845, -0.1870, 0.1970], [-0.1843, -0.1562, -0.0090, 0.0351, -0.1538, 0.0992, -0.0883, 0.0911, -0.2293, 0.2360]], grad_fn=<ThAddmmBackward>) ``` 注意,這里并沒有將`Module`類命名為`Layer`(層)或者`Model`(模型)之類的名字,這是因為該類是一個可供自由組建的部件。它的子類既可以是一個層(如PyTorch提供的`Linear`類),又可以是一個模型(如這里定義的`MLP`類),或者是模型的一個部分。我們下面通過兩個例子來展示它的靈活性。 ## 4.1.2 `Module`的子類 我們剛剛提到,`Module`類是一個通用的部件。事實上,PyTorch還實現了繼承自`Module`的可以方便構建模型的類: 如`Sequential`、`ModuleList`和`ModuleDict`等等。 ### 4.1.2.1 `Sequential`類 當模型的前向計算為簡單串聯各個層的計算時,`Sequential`類可以通過更加簡單的方式定義模型。這正是`Sequential`類的目的:它可以接收一個子模塊的有序字典(OrderedDict)或者一系列子模塊作為參數來逐一添加`Module`的實例,而模型的前向計算就是將這些實例按添加的順序逐一計算。 下面我們實現一個與`Sequential`類有相同功能的`MySequential`類。這或許可以幫助讀者更加清晰地理解`Sequential`類的工作機制。 ``` python class MySequential(nn.Module): from collections import OrderedDict def __init__(self, *args): super(MySequential, self).__init__() if len(args) == 1 and isinstance(args[0], OrderedDict): # 如果傳入的是一個OrderedDict for key, module in args[0].items(): self.add_module(key, module) # add_module方法會將module添加進self._modules(一個OrderedDict) else: # 傳入的是一些Module for idx, module in enumerate(args): self.add_module(str(idx), module) def forward(self, input): # self._modules返回一個 OrderedDict,保證會按照成員添加時的順序遍歷成 for module in self._modules.values(): input = module(input) return input ``` 我們用`MySequential`類來實現前面描述的`MLP`類,并使用隨機初始化的模型做一次前向計算。 ``` python net = MySequential( nn.Linear(784, 256), nn.ReLU(), nn.Linear(256, 10), ) print(net) net(X) ``` 輸出: ``` MySequential( (0): Linear(in_features=784, out_features=256, bias=True) (1): ReLU() (2): Linear(in_features=256, out_features=10, bias=True) ) tensor([[-0.0100, -0.2516, 0.0392, -0.1684, -0.0937, 0.2191, -0.1448, 0.0930, 0.1228, -0.2540], [-0.1086, -0.1858, 0.0203, -0.2051, -0.1404, 0.2738, -0.0607, 0.0622, 0.0817, -0.2574]], grad_fn=<ThAddmmBackward>) ``` 可以觀察到這里`MySequential`類的使用跟3.10節(多層感知機的簡潔實現)中`Sequential`類的使用沒什么區別。 ### 4.1.2.2 `ModuleList`類 `ModuleList`接收一個子模塊的列表作為輸入,然后也可以類似List那樣進行append和extend操作: ``` python net = nn.ModuleList([nn.Linear(784, 256), nn.ReLU()]) net.append(nn.Linear(256, 10)) # # 類似List的append操作 print(net[-1]) # 類似List的索引訪問 print(net) ``` 輸出: ``` Linear(in_features=256, out_features=10, bias=True) ModuleList( (0): Linear(in_features=784, out_features=256, bias=True) (1): ReLU() (2): Linear(in_features=256, out_features=10, bias=True) ) ``` ### 4.1.2.3 `ModuleDict`類 `ModuleDict`接收一個子模塊的字典作為輸入, 然后也可以類似字典那樣進行添加訪問操作: ``` python net = nn.ModuleDict({ 'linear': nn.Linear(784, 256), 'act': nn.ReLU(), }) net['output'] = nn.Linear(256, 10) # 添加 print(net['linear']) # 訪問 print(net.output) print(net) ``` 輸出: ``` Linear(in_features=784, out_features=256, bias=True) Linear(in_features=256, out_features=10, bias=True) ModuleDict( (act): ReLU() (linear): Linear(in_features=784, out_features=256, bias=True) (output): Linear(in_features=256, out_features=10, bias=True) ) ``` ## 4.1.3 構造復雜的模型 雖然上面介紹的這些類可以使模型構造更加簡單,且不需要定義`forward`函數,但直接繼承`Module`類可以極大地拓展模型構造的靈活性。下面我們構造一個稍微復雜點的網絡`FancyMLP`。在這個網絡中,我們通過`get_constant`函數創建訓練中不被迭代的參數,即常數參數。在前向計算中,除了使用創建的常數參數外,我們還使用`Tensor`的函數和Python的控制流,并多次調用相同的層。 ``` python class FancyMLP(nn.Module): def __init__(self, **kwargs): super(FancyMLP, self).__init__(**kwargs) self.rand_weight = torch.rand((20, 20), requires_grad=False) # 不可訓練參數(常數參數) self.linear = nn.Linear(20, 20) def forward(self, x): x = self.linear(x) # 使用創建的常數參數,以及nn.functional中的relu函數和mm函數 x = nn.functional.relu(torch.mm(x, self.rand_weight.data) + 1) # 復用全連接層。等價于兩個全連接層共享參數 x = self.linear(x) # 控制流,這里我們需要調用item函數來返回標量進行比較 while x.norm().item() > 1: x /= 2 if x.norm().item() < 0.8: x *= 10 return x.sum() ``` 在這個`FancyMLP`模型中,我們使用了常數權重`rand_weight`(注意它不是可訓練模型參數)、做了矩陣乘法操作(`torch.mm`)并重復使用了相同的`Linear`層。下面我們來測試該模型的前向計算。 ``` python X = torch.rand(2, 20) net = FancyMLP() print(net) net(X) ``` 輸出: ``` FancyMLP( (linear): Linear(in_features=20, out_features=20, bias=True) ) tensor(0.8432, grad_fn=<SumBackward0>) ``` 因為`FancyMLP`和`Sequential`類都是`Module`類的子類,所以我們可以嵌套調用它們。 ``` python class NestMLP(nn.Module): def __init__(self, **kwargs): super(NestMLP, self).__init__(**kwargs) self.net = nn.Sequential(nn.Linear(40, 30), nn.ReLU()) def forward(self, x): return self.net(x) net = nn.Sequential(NestMLP(), nn.Linear(30, 20), FancyMLP()) X = torch.rand(2, 40) print(net) net(X) ``` 輸出: ``` Sequential( (0): NestMLP( (net): Sequential( (0): Linear(in_features=40, out_features=30, bias=True) (1): ReLU() ) ) (1): Linear(in_features=30, out_features=20, bias=True) (2): FancyMLP( (linear): Linear(in_features=20, out_features=20, bias=True) ) ) tensor(14.4908, grad_fn=<SumBackward0>) ``` ## 小結 * 可以通過繼承`Module`類來構造模型。 * `Sequential`、`ModuleList`、`ModuleDict`類都繼承自`Module`類。 * 雖然`Sequential`等類可以使模型構造更加簡單,但直接繼承`Module`類可以極大地拓展模型構造的靈活性。 ----------- > 注:本節與原書此節有一些不同,[原書傳送門](https://zh.d2l.ai/chapter_deep-learning-computation/model-construction.html)
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看