前言
申请的专栏开通了，刚好最近闲下来了，就打算开这个坑了hhhhh
第一篇就先讲一讲pytorch的运行机制好了。。。
记得当时刚刚接触的时候一直搞不明白，为什么自己只是定义了几个网络，就可以完整的训练整个模型，它背后的机制又是如何，搞明白了这个，才有可能去做更多的定制的更改，比如更改loss，反传方式，梯度下降机制，甚至自定义参数更新速率(比如学习率随着迭代轮数下降)，文章比较浅显，希望各位大神不吝赐教。
知识储备
看此文章的前提，大概需要你写过一个利用pytorch的训练程序，哪怕官网上的MNIST。
因为本文目的是告诉你为什么这么写
为什么不用TensorFlow
其实我之前是有用TF的，但是，emmmmmmmm…….
之后接触了Pytorch，那一整天都在感叹”还有这种操作？”
个人感觉TF不是一个易于理解和易于扩展的框架。
比如说，我想实现学习率随迭代轮数降低，需要修改哪些？
那么，让我们开始吧
从MNIST说起
网络定义篇
import torch.nn as nn
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.conv2_drop = nn.Dropout2d()
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
x = F.relu(F.max_pool2d(self.conv1(x), 2))
x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
x = x.view(-1, 320)
x = F.relu(self.fc1(x))
x = F.dropout(x, training=self.training)
x = self.fc2(x)
return F.log_softmax(x)这一段是MNIST给的定义Net的代码，那么，让我们看一看，这一段代码说明了什么，首先，__init__方法直接定义了你的网络，这就是你的模型中含有的全部的东西，你的模型本身也只有__init__ 中的属性会被每一次训练的时候更改，可以说这个思路是十分的清晰了。
之后，是forward方法，这里定义了如何处理传入的数据(就是那个x)，返回这个神经网络的output
这里，我把它比作名词和动词的关系，__init__()方法定义了网络本身，或者说定义了一个个的名词，而我们也需要一系列的”猜测”过程，猜出这些名词是什么。而forward()方法，则是一个个的动词，它提供了如何处理这些名词的方式。
而之后，我们来看看，运行的时候，发生了什么
首先，我们看看torch.nn.Module，看看它是如何定义的。
torch.nn.Module
class Module(object):
dump_patches = False
def __init__(self):
self._backend = thnn_backend
self._parameters = OrderedDict()
self._buffers = OrderedDict()
self._backward_hooks = OrderedDict()
self._forward_hooks = OrderedDict()
self._forward_pre_hooks = OrderedDict()
self._modules = OrderedDict()
self.training = True
def forward(self, *input):
raise NotImplementedError(代码不完整，只截取了一段)
可以看到，Module类定义了一系列训练时使用的变量比如参数(感觉这是是缓存的参数，用来之后做参数更新用的)，buffers，几个hooks(个人感觉这些hooks是之后与loss，反传之类的步骤通讯数据用的)
反传里面是有一个判断的逻辑，判断你的子类有没有定义网络，没有就报错(讲真，这个想法很棒啊QwQ，子类重写父类方法，没有重写就是个报错hhhhhh)
def register_buffer(self, name, tensor):
self._buffers[name] = tensor
def register_parameter(self, name, param):
if '_parameters' not in self.__dict__:
raise AttributeError(
"cannot assign parameter before Module.__init__() call")
if param is None:
self._parameters[name] = None
elif not isinstance(param, Parameter):
raise TypeError("cannot assign '{}' object to parameter '{}' "
"(torch.nn.Parameter or None required)"
.format(torch.typename(param), name))
elif param.grad_fn:
raise ValueError(
"Cannot assign non-leaf Variable to parameter '{0}'. Model "
"parameters must be created explicitly. To express '{0}' "
"as a function of another variable, compute the value in "
"the forward() method.".format(name))
else:
self._parameters[name] = parambuffer和parameter的注册，这里有一点需要提醒，在你自定义的网络中，如果你用了类似
self.some_dict['keys'] = nn.Conv2d(10, 20, kernel_size=5)这种语句的话，pytorch是没有办法这个变量的，也不会参与之后的传参之类的
在定义了上面那句话之后你必须用类似
# method 1
setattr(self, 'some_name', self.some_dict['keys'])
# method 2
self.register_parameter('some_name', self.some_dict['keys'])比如笔者自己的代码
self.LocalConv1 = {i + 1: nn.Conv2d(32, 32, 3, stride=1, padding=0) for i in range(4)}
for i in self.LocalConv1:
setattr(self, 'LocalConvPart%d' % i, self.LocalConv1[i])
self.GlobalFullConnect = nn.Linear(7 * 2 * 32, 400)
self.LocalFullConnect = {i + 1: nn.Linear(32 * 23 * 16, 100) for i in range(4)}
for i in self.LocalFullConnect:
setattr(self, 'LocalFullConnectPart%d' % i, self.LocalFullConnect[i])
建议使用方法1，因为Module类重载了__setattr__()方法，如下
def __setattr__(self, name, value):
def remove_from(*dicts):
for d in dicts:
if name in d:
del d[name]
params = self.__dict__.get('_parameters')
if isinstance(value, Parameter):
if params is None:
raise AttributeError(
"cannot assign parameters before Module.__init__() call")
remove_from(self.__dict__, self._buffers, self._modules)
self.register_parameter(name, value)
elif params is not None and name in params:
if value is not None:
raise TypeError("cannot assign '{}' as parameter '{}' (torch.nn.Parameter or None expected)".format(torch.typename(value), name))
self.register_parameter(name, value)
else:
modules = self.__dict__.get('_modules')
if isinstance(value, Module):
if modules is None:
raise AttributeError(
"cannot assign module before Module.__init__() call")
remove_from(self.__dict__, self._parameters, self._buffers)
modules[name] = value
elif modules is not None and name in modules:
if value is not None:
raise TypeError("cannot assign '{}' as child module '{}' "
"(torch.nn.Module or None expected)"
.format(torch.typename(value), name))
modules[name] = value
else:
buffers = self.__dict__.get('_buffers')
if buffers is not None and name in buffers:
if value is not None and not torch.is_tensor(value):
raise TypeError("cannot assign '{}' as buffer '{}' "
"(torch.Tensor or None expected)"
.format(torch.typename(value), name))
buffers[name] = value
else:
object.__setattr__(self, name, value)其实差别不大，可以看到加了很多判断。
然后之后apply()方法
def _apply(self, fn):
for module in self.children():
module._apply(fn)
for param in self._parameters.values():
if param is not None:
param.data = fn(param.data)
if param._grad is not None:
param._grad.data = fn(param._grad.data)
for key, buf in self._buffers.items():
if buf is not None:
self._buffers[key] = fn(buf)
return self
def apply(self, fn):
for module in self.children():
module.apply(fn)
fn(self)
return self这两个方法就是更新参数的核心过程了，pytorch的更新参数最底层的方法都是这两个方法定义的。
之后的cpu(),cuda()之类的方法大家都知道是干什么的，我就不赘述了，啊，顺带提一句，这个cuda()方法是对每个变量都covert to cuda的，十分的方便。
def register_backward_hook(self, hook):
handle = hooks.RemovableHandle(self._backward_hooks)
self._backward_hooks[handle.id] = hook
return handle
def register_forward_pre_hook(self, hook):
handle = hooks.RemovableHandle(self._forward_pre_hooks)
self._forward_pre_hooks[handle.id] = hook
return handle
def register_forward_hook(self, hook):
handle = hooks.RemovableHandle(self._forward_hooks)
self._forward_hooks[handle.id] = hook
return handle训练过程的参数传递，这些方法完成了神经网络，Loss，梯度下降等算法等等一系列计算的之间的数据通信。
结语
先写到这里，nn.Module大概写了一半左右吧，希望各位大佬们给出建议QwQ
