4.4 自定義層 · 動手學深度學習--pytorch

# 4.4 自定義層深度學習的一個魅力在于神經網絡中各式各樣的層，例如全連接層和后面章節中將要介紹的卷積層、池化層與循環層。雖然PyTorch提供了大量常用的層，但有時候我們依然希望自定義層。本節將介紹如何使用`Module`來自定義層，從而可以被重復調用。 ## 4.4.1 不含模型參數的自定義層我們先介紹如何定義一個不含模型參數的自定義層。事實上，這和4.1節（模型構造）中介紹的使用`Module`類構造模型類似。下面的`CenteredLayer`類通過繼承`Module`類自定義了一個將輸入減掉均值后輸出的層，并將層的計算定義在了`forward`函數里。這個層里不含模型參數。 ``` python import torch from torch import nn class CenteredLayer(nn.Module): def __init__(self, **kwargs): super(CenteredLayer, self).__init__(**kwargs) def forward(self, x): return x - x.mean() ``` 我們可以實例化這個層，然后做前向計算。 ``` python layer = CenteredLayer() layer(torch.tensor([1, 2, 3, 4, 5], dtype=torch.float)) ``` 輸出： ``` tensor([-2., -1., 0., 1., 2.]) ``` 我們也可以用它來構造更復雜的模型。 ``` python net = nn.Sequential(nn.Linear(8, 128), CenteredLayer()) ``` 下面打印自定義層各個輸出的均值。因為均值是浮點數，所以它的值是一個很接近0的數。 ``` python y = net(torch.rand(4, 8)) y.mean().item() ``` 輸出： ``` 0.0 ``` ## 4.4.2 含模型參數的自定義層我們還可以自定義含模型參數的自定義層。其中的模型參數可以通過訓練學出。在4.2節（模型參數的訪問、初始化和共享）中介紹了`Parameter`類其實是`Tensor`的子類，如果一個`Tensor`是`Parameter`，那么它會自動被添加到模型的參數列表里。所以在自定義含模型參數的層時，我們應該將參數定義成`Parameter`，除了像4.2.1節那樣直接定義成`Parameter`類外，還可以使用`ParameterList`和`ParameterDict`分別定義參數的列表和字典。 `ParameterList`接收一個`Parameter`實例的列表作為輸入然后得到一個參數列表，使用的時候可以用索引來訪問某個參數，另外也可以使用`append`和`extend`在列表后面新增參數。 ``` python class MyDense(nn.Module): def __init__(self): super(MyDense, self).__init__() self.params = nn.ParameterList([nn.Parameter(torch.randn(4, 4)) for i in range(3)]) self.params.append(nn.Parameter(torch.randn(4, 1))) def forward(self, x): for i in range(len(self.params)): x = torch.mm(x, self.params[i]) return x net = MyDense() print(net) ``` 輸出： ``` MyDense( (params): ParameterList( (0): Parameter containing: [torch.FloatTensor of size 4x4] (1): Parameter containing: [torch.FloatTensor of size 4x4] (2): Parameter containing: [torch.FloatTensor of size 4x4] (3): Parameter containing: [torch.FloatTensor of size 4x1] ) ) ``` 而`ParameterDict`接收一個`Parameter`實例的字典作為輸入然后得到一個參數字典，然后可以按照字典的規則使用了。例如使用`update()`新增參數，使用`keys()`返回所有鍵值，使用`items()`返回所有鍵值對等等，可參考[官方文檔](https://pytorch.org/docs/stable/nn.html#parameterdict)。 ``` python class MyDictDense(nn.Module): def __init__(self): super(MyDictDense, self).__init__() self.params = nn.ParameterDict({ 'linear1': nn.Parameter(torch.randn(4, 4)), 'linear2': nn.Parameter(torch.randn(4, 1)) }) self.params.update({'linear3': nn.Parameter(torch.randn(4, 2))}) # 新增 def forward(self, x, choice='linear1'): return torch.mm(x, self.params[choice]) net = MyDictDense() print(net) ``` 輸出： ``` MyDictDense( (params): ParameterDict( (linear1): Parameter containing: [torch.FloatTensor of size 4x4] (linear2): Parameter containing: [torch.FloatTensor of size 4x1] (linear3): Parameter containing: [torch.FloatTensor of size 4x2] ) ) ``` 這樣就可以根據傳入的鍵值來進行不同的前向傳播： ``` python x = torch.ones(1, 4) print(net(x, 'linear1')) print(net(x, 'linear2')) print(net(x, 'linear3')) ``` 輸出： ``` tensor([[1.5082, 1.5574, 2.1651, 1.2409]], grad_fn=<MmBackward>) tensor([[-0.8783]], grad_fn=<MmBackward>) tensor([[ 2.2193, -1.6539]], grad_fn=<MmBackward>) ``` 我們也可以使用自定義層構造模型。它和PyTorch的其他層在使用上很類似。 ``` python net = nn.Sequential( MyDictDense(), MyListDense(), ) print(net) print(net(x)) ``` 輸出： ``` Sequential( (0): MyDictDense( (params): ParameterDict( (linear1): Parameter containing: [torch.FloatTensor of size 4x4] (linear2): Parameter containing: [torch.FloatTensor of size 4x1] (linear3): Parameter containing: [torch.FloatTensor of size 4x2] ) ) (1): MyListDense( (params): ParameterList( (0): Parameter containing: [torch.FloatTensor of size 4x4] (1): Parameter containing: [torch.FloatTensor of size 4x4] (2): Parameter containing: [torch.FloatTensor of size 4x4] (3): Parameter containing: [torch.FloatTensor of size 4x1] ) ) ) tensor([[-101.2394]], grad_fn=<MmBackward>) ``` ## 小結 * 可以通過`Module`類自定義神經網絡中的層，從而可以被重復調用。 ----------- > 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/custom-layer.html)