小白学PyTorch | 4 构建模型三要素与权重初始化
小白学PyTorch | 4 构建模型三要素与权重初始化
文章目录：
- 1 模型三要素
- 2 参数初始化
- 3 完整运行代码
- 4 尺寸计算与参数计算
这篇文章内容不多，比较基础，里面的代码块可以复制到本地进行实践，以加深理解。
喜欢的话，可以给公众号加一个星标，点点在看，这是对我最大的支持
1 模型三要素
三要素其实很简单
- 必须要继承nn.Module这个类，要让PyTorch知道这个类是一个Module
- 在__init__(self)中设置好需要的组件，比如conv，pooling，Linear，BatchNorm等等
- 最后在forward(self,x)中用定义好的组件进行组装，就像搭积木，把网络结构搭建出来，这样一个模型就定义好了
我们来看一个例子：先看__init__(self)函数
def __init__(self):
super(Net,self).__init__()
self.conv1 = nn.Conv2d(3,6,5)
self.pool1 = nn.MaxPool2d(2,2)
self.conv2 = nn.Conv2d(6,16,5)
self.pool2 = nn.MaxPool2d(2,2)
self.fc1 = nn.Linear(16*5*5,120)
self.fc2 = nn.Linear(120,84)
self.fc3 = nn.Linear(84,10)
第一行是初始化，往后定义了一系列组件。nn.Conv2d就是一般图片处理的卷积模块，然后池化层，全连接层等等。
定义完这些定义forward函数
def forward(self,x):
x = self.pool1(F.relu(self.conv1(x)))
x = self.pool2(F.relu(self.conv2(x)))
x = x.view(-1,16*5*5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
x为模型的输入，第一行表示x经过conv1，然后经过激活函数relu，然后经过pool1操作 第三行表示对x进行reshape，为后面的全连接层做准备
至此，对一个模型的定义完毕，如何使用呢？
例如：
net = Net()
outputs = net(inputs)
其实net(inputs),就是类似于使用了net.forward(inputs)这个函数。
2 参数初始化
简单地说就是设定什么层用什么初始方法，初始化的方法会在torch.nn.init中
话不多说，看一个案例：
# 定义权值初始化
def initialize_weights(self):
for m in self.modules():
if isinstance(m,nn.Conv2d):
torch.nn.init.xavier_normal_(m.weight.data)
if m.bias is not None:
m.bias.data.zero_()
elif isinstance(m,nn.BatchNorm2d):
m.weight.data.fill_(1)
m.bias.data.zero_()
elif isinstance(m,nn.Linear):
torch.nn.init.normal_(m.weight.data,0,0.01)
# m.weight.data.normal_(0,0.01)
m.bias.data.zero_()
这段代码的基本流程就是，先从self.modules()中遍历每一层，然后判断更曾属于什么类型，是否是Conv2d，是否是BatchNorm2d，是否是Linear的，然后根据不同类型的层，设定不同的权值初始化方法，例如Xavier，kaiming，normal_等等。kaiming也是MSRA初始化，是何恺明大佬在微软亚洲研究院的时候，因此得名。
上面代码中用到了self.modules()，这个是什么东西呢？
# self.modules的源码
def modules(self):
for name,module in self.named_modules():
yield module
功能就是：能依次返回模型中的各层，yield是让一个函数可以像迭代器一样可以用for循环不断从里面遍历（可能说的不太明确）。
3 完整运行代码
我们用下面的例子来更深入的理解self.modules(),同时也把上面的内容都串起来（下面的代码块可以运行）:
import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.utils.data import Dataset,DataLoader
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool1 = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.pool2 = nn.MaxPool2d(2, 2)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool1(F.relu(self.conv1(x)))
x = self.pool2(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
def initialize_weights(self):
for m in self.modules():
if isinstance(m, nn.Conv2d):
torch.nn.init.xavier_normal_(m.weight.data)
if m.bias is not None:
m.bias.data.zero_()
elif isinstance(m, nn.BatchNorm2d):
m.weight.data.fill_(1)
m.bias.data.zero_()
elif isinstance(m, nn.Linear):
torch.nn.init.normal_(m.weight.data, 0, 0.01)
# m.weight.data.normal_(0,0.01)
m.bias.data.zero_()
net = Net()
net.initialize_weights()
print(net.modules())
for m in net.modules():
print(m)
运行结果：
# 这个是print(net.modules())的输出
<generator object Module.modules at 0x0000023BDCA23258>
# 这个是第一次从net.modules()取出来的东西，是整个网络的结构
Net(
(conv1): Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))
(pool1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(pool2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(fc1): Linear(in_features=400, out_features=120, bias=True)
(fc2): Linear(in_features=120, out_features=84, bias=True)
(fc3): Linear(in_features=84, out_features=10, bias=True)
)
# 从net.modules()第二次开始取得东西就是每一层了
Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))
MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
Linear(in_features=400, out_features=120, bias=True)
Linear(in_features=120, out_features=84, bias=True)
Linear(in_features=84, out_features=10, bias=True)
其中呢，并不是每一层都有偏执bias的，有的卷积层可以设置成不要bias的，所以对于卷积网络参数的初始化，需要判断一下是否有bias，（不过我好像记得bias默认初始化为0？不确定，有知道的朋友可以交流）
torch.nn.init.xavier_normal(m.weight.data)
if m.bias is not None:
m.bias.data.zero_()
上面代码表示用xavier_normal方法对该层的weight初始化，并判断是否存在偏执bias，若存在，将bias初始化为0。
4 尺寸计算与参数计算
我们把上面的主函数部分改成：
net = Net()
net.initialize_weights()
layers = {}
for m in net.modules():
if isinstance(m,nn.Conv2d):
print(m)
break
这里的输出m就是：
Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))
这个卷积层，就是我们设置的第一个卷积层，含义就是：输入3通道，输出6通道，卷积核
,步长1，padding=0.
【问题1：输入特征图和输出特征图的尺寸计算】
之前的文章也讲过这个了,
用代码来验证一下这个公式：
net = Net()
net.initialize_weights()
input = torch.ones((16,3,10,10))
output = net.conv1(input)
print(input.shape)
print(output.shape)
初始结果：
torch.Size([16, 3, 10, 10])
torch.Size([16, 6, 6, 6])
第一个维度上batch，第二个是通道channel，第三个和第四个是图片（特征图）的尺寸。
算出来的结果没毛病。
【问题2：这个卷积层中有多少的参数？】输入通道是3通道的，输出是6通道的，卷积核是
的，所以理解为6个
的卷积核，所以不考虑bias的话，参数量是
,考虑bais的话，就每一个卷积核再增加一个偏置值。（这是一个一般人会忽略的知识点欸）
下面用代码来验证：
net = Net()
net.initialize_weights()
for m in net.modules():
if isinstance(m,nn.Conv2d):
print(m)
print(m.weight.shape)
print(m.bias.shape)
break
输出结果是：
Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))
torch.Size([6, 3, 5, 5])
torch.Size([6])
都和预料中一样。
- END -