【动手学深度学习笔记】之自定义层
1.自定义层
神经网络中存在着全连接层、卷积层、池化层和循环层等各种各样的层。虽然PyTorch提供了大量常用的层，但有时还是需要我们自定义层。本篇文章介绍如何使用Module类来自定义层。
1.1 不含模型参数的自定义层
下面以实例介绍一下通过继承Module类定义不含模型参数的自定义层。
class layer(nn.Module):
def __init__(self,**keywargs):
#直接继承Module的__init__()
super(layer,self).__init__(**keywargs)
def forward(self,x):
#定义前向传导
return x-x.mean()
定义的这个层并没有模型参数。实例化例子如下
layer = layer()
layer(torch.tensor([1,2,3,4,5],dtype=torch.float))
Out[1]:tensor([-2., -1., 0., 1., 2.])
同样可以使用Sequential类将这个层添加到网络。
net = nn.Sequential(net.Linear(8,128),layer())
1.2 含模型参数的自定义层
为自定义层添加模型参数有以下三种方式。
使用Parameter类
上一篇文章介绍过，当一个Tensor类型为Parameters时，它将会被自动添加到参数列表中。
class net1(nn.Module):
def __init__(self):
super(net1,self).__init__()
self.weight = nn.Parameter(torch.rand(4,4))
self.bais = nn.Parameter(torch.rand(4,1))
def forward(self,x):
for i in range(len(self.params)):
x = torch.mm(x, self.params[i])
return x
net1 = net1()
for name,param in net1.named_parameters():
print(name,param)
Out[1]:
weight Parameter containing:
tensor([[0.3217, 0.8082, 0.2425, 0.3970],
[0.6009, 0.2262, 0.7150, 0.6720],
[0.4062, 0.6335, 0.6234, 0.2680],
[0.1824, 0.0825, 0.8183, 0.2564]], requires_grad=True)
bais Parameter containing:
tensor([[0.3952],
[0.4866],
[0.9082],
[0.1949]], requires_grad=True)
使用ParameterList类
ParameterList类接收Parameters实例的列表作为输入然后得到一个参数列表，与List类似，可以使用索引访问，append添加。
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)
Out[1]:
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]
)
)
使用ParameterDict类
ParameterDict类接收一个Parameter实例的字典作为输入，返回一个参数字典，同样可以使用updata()添加参数，使用key()返回所有键值，使用item()返回所有键值对等字典操作。
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)
Out[1]:
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]
)
)
使用ParameterDict类，可以通过选择不同的键，来进行不同的正向传播。
x = torch.ones(1, 4)
print(net(x, 'linear1'))
print(net(x, 'linear2'))
print(net(x, 'linear3'))
Out[1]:
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>)
上述这些中方法创建的层，都可以像PyTorch中其他层一样，通过Sequential类、ModuleList类和ModuleDict类等方法构造模型。
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2020-03-17，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录