关于PyTorch中nn.Module类的简介

PyTorch nn.Module类的简介

torch.nn.Module类是所有神经网络模块(modules)的基类，它的实现在torch/nn/modules/module.py中。你的模型也应该继承这个类，主要重载__init__、forward和extra_repr函数。Modules还可以包含其它Modules，从而可以将它们嵌套在树结构中。

只要在自己的类中定义了forward函数，backward函数就会利用Autograd被自动实现。只要实例化一个对象并传入对应的参数就可以自动调用forward函数。因为此时会调用对象的__call__方法，而nn.Module类中的__call__方法会调用forward函数。

nn.Module类中函数介绍：

• __init__：初始化内部module状态。

• register_buffer：向module添加buffer，不作为模型参数，可作为module状态的一部分。默认情况下，buffer是持久(persistent)的，将与参数一起保存。buffer是否persistent的区别在于这个buffer是否被放入self.state_dict()中被保存下来。

• register_parameter：向module添加参数。

• add_module：添加一个submodule(children)到当前module中。

• apply：将fn递归应用于每个submodule(children)，典型用途为初始化模型参数。

• cuda：将所有模型参数和buffers转移到GPU上。

• xpu：将所有模型参数和buffers转移到XPU上。

• cpu：将所有模型参数和buffers转移到CPU上。

• type：将所有参数和buffers转换为所需的类型。

• float：将所有浮点参数和buffers转换为float32数据类型。

• double：将所有浮点参数和buffers转换为double数据类型。

• half：将所有浮点参数和buffers转换为float16数据类型。

• bfloat16：将所有浮点参数和buffers转换为bfloat16数据类型。

• to：将参数和buffers转换为指定的数据类型或转换到指定的设备上。

• register_backward_hook：在module中注册一个反向钩子。不推荐使用。

• register_full_backward_hook：在module中注册一个反向钩子。每次计算梯度时都会调用此钩子。使用此钩子时不允许就地(in place)修改输入或输出，否则会触发error。

• register_forward_pre_hook：在module中注册前向pre-hook。每次调用forward之前都会调用此钩子。

• register_forward_hook：在module中注册一个前向钩子。每次forward计算输出后都会调用此钩子。

• state_dict：返回包含了module的整个状态的字典。其中keys是对应的参数和buffer名称。

• load_state_dict：将参数和buffers从state_dict复制到module及其后代(descendants)中。

• parameters：返回module的参数的迭代器。

• named_parameters：返回module的参数的迭代器，产生(yield)参数的名称以及参数本身。不会返回重复的parameter。

• buffers：返回module的buffers的迭代器。

• named_buffers：返回module的buffers的迭代器，产生(yield)buffer的名称以及buffer本身。不会返回重复的buffer。

• children：返回直接子module的迭代器。

• named_children：返回直接子module的迭代器，产生(yield)子module的名称以及子module本身。不会返回重复的children。

• modules：返回网络中所有modules的迭代器。

• named_modules：返回网络中所有modules的迭代器，产生(yield)module的名称以及module本身。不会返回重复的module。

• train：将module设置为训练模式。这仅对某些module起作用。module.py实现中会修改self.training并通过self.children()来调整所有submodule的状态。

• eval：将module设置为评估模式。这仅对某些module起作用。module.py实现中直接调用train(False)。

• requires_grad_：更改autograd是否应记录对此module中参数的操作。此方法就地(in place)设置参数的requires_grad属性。

• zero_grad：将所有模型参数的梯度设置为零。

• extra_repr：设置module的额外表示。你应该在自己的modules中重新实现此方法。

测试代码如下：

import torch
import torch.nn as nn
import torch.nn.functional as F # nn.functional.py中存放激活函数等的实现
 
@torch.no_grad()
def init_weights(m):
    print("xxxx:", m)
    if type(m) == nn.Linear:
         m.weight.fill_(1.0)
         print("yyyy:", m.weight)
 
class Model(nn.Module):
    def __init__(self):
        # 在实现自己的__init__函数时,为了正确初始化自定义的神经网络模块,一定要先调用super().__init__
        super(Model, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5) # submodule(child module)
        self.conv2 = nn.Conv2d(20, 20, 5)
        self.add_module("conv3", nn.Conv2d(10, 40, 5)) # 添加一个submodule到当前module,等价于self.conv3 = nn.Conv2d(10, 40, 5)
        self.register_buffer("buffer", torch.randn([2,3])) # 给module添加一个presistent(持久的) buffer
        self.param1 = nn.Parameter(torch.rand([1])) # module参数的tensor
        self.register_parameter("param2", nn.Parameter(torch.rand([1]))) # 向module添加参数
 
        # nn.Sequential: 顺序容器,module将按照它们在构造函数中传递的顺序添加,它允许将整个容器视为单个module
        self.feature = nn.Sequential(nn.Linear(2, 2), nn.Linear(2, 2))
        self.feature.apply(init_weights) # 将fn递归应用于每个submodule,典型用途为初始化模型参数
        self.feature.to(torch.double) # 将参数数据类型转换为double
        cpu = torch.device("cpu")
        self.feature.to(cpu) # 将参数数据转换到cpu设备上
 
    def forward(self, x):
       x = F.relu(self.conv1(x))
       return F.relu(self.conv2(x))
 
model = Model()
print("## Model:", model)
 
model.cpu() # 将所有模型参数和buffers移动到CPU上
model.float() # 将所有浮点参数和buffers转换为float数据类型
model.zero_grad() # 将所有模型参数的梯度设置为零
 
# state_dict:返回一个字典,保存着module的所有状态,参数和persistent buffers都会包含在字典中,字典的key就是参数和buffer的names
print("## state_dict:", model.state_dict().keys())
 
for name, parameters in model.named_parameters(): # 返回module的参数(weight and bias)的迭代器,产生(yield)参数的名称以及参数本身
    print(f"## named_parameters: name: {name}; parameters size: {parameters.size()}")
 
for name, buffers in model.named_buffers(): # 返回module的buffers的迭代器,产生(yield)buffer的名称以及buffer本身
    print(f"## named_buffers: name: {name}; buffers size: {buffers.size()}")
 
# 注:children和modules中重复的module只被返回一次
for children in model.children(): # 返回当前module的child module(submodule)的迭代器
    print("## children:", children)
 
for name, children in model.named_children(): # 返回直接submodule的迭代器,产生(yield) submodule的名称以及submodule本身
    print(f"## named_children: name: {name}; children: {children}")
 
for modules in model.modules(): # 返回当前模型所有module的迭代器,注意与children的区别
    print("## modules:", modules)
 
for name, modules in model.named_modules(): # 返回网络中所有modules的迭代器,产生(yield)module的名称以及module本身,注意与named_children的区别
    print(f"## named_modules: name: {name}; module: {modules}")
 
model.train() # 将module设置为训练模式
model.eval() # 将module设置为评估模式
 
print("test finish")

GitHub：https://github.com/fengbingchun/PyTorch_Test

PyTorch中nn.Module理解

nn.Module是Pytorch封装的一个类，是搭建神经网络时需要继承的父类：

import torch
import torch.nn as nn

# 括号中加入nn.Module（父类）。Test2变成子类，继承父类（nn.Module）的所有特性。
class Test2(nn.Module):  
   def __init__(self):  # Test2类定义初始化方法
      super(Test2, self).__init__()  # 父类初始化
      self.M = nn.Parameter(torch.ones(10))

def weightInit(self):
       print('Testing')

def forward(self, n):
       # print(2 * n)
       print(self.M * n)
       self.weightInit()

# 调用方法
network = Test2()
network(2)  # 2赋值给forward(self, n)中的n。
……省略一部分代码……
# 因为Test2是nn.Module的子类，所以也可以执行父类中的方法。如：
model_dict = network.state_dict()  # 调用父类中的方法state_dict()，将Test2中训练参数赋值model_dict。
for k, v in model_dict.items():  # 查看自己网络参数各层名称、数值
print(k)  # 输出网络参数名字
   # print(v)  # 输出网络参数数值

继承nn.Module的子类程序是从forward()方法开始执行的，如果要想执行其他方法，必须把它放在forward()方法中。这一点与python中继承有稍许的不同。

来源：https://blog.csdn.net/fengbingchun/article/details/122023299