PyTorch构建模型网络结构的6种方式

2024-08-24 09:44

本文主要是介绍PyTorch构建模型网络结构的6种方式,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

PyTorch提供了多种方式来构建模型的网络结构,我尝试总结一下,有如下6种常见方式(可能还有我没注意到的,欢迎补充)。我们平时写代码并不一定需要掌握全部方式,但是多了解一些,对于阅读理解别人的代码显然是有帮助的。

1,继承nn.Module类

这是构建自定义模型最基础也是最常见的方法。通过继承torch.nn.Module类,并在子类中定义__init__方法来初始化模型的各个层,以及在forward方法中定义数据的前向传播路径。

import torch  
import torch.nn as nn  
import torch.nn.functional as F  # 继承nn.Module  
class SimpleCNN(nn.Module):  def __init__(self, num_classes=10):  super(SimpleCNN, self).__init__()  # 定义卷积层  self.conv1 = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1)  self.relu1 = nn.ReLU()  self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)  self.conv2 = nn.Conv2d(32, 64, 3, padding=1)  self.relu2 = nn.ReLU()  self.pool2 = nn.MaxPool2d(2, 2)  # 定义全连接层  self.fc1 = nn.Linear(64 * 8 * 8, 128)  self.relu3 = nn.ReLU()  self.fc2 = nn.Linear(128, num_classes)  def forward(self, x):  x = self.conv1(x)  x = self.relu1(x)  x = self.pool1(x)  x = self.conv2(x)  x = self.relu2(x)  x = self.pool2(x)  # 展平特征图  x = x.view(-1, 64 * 8 * 8)  # 全连接层  x = self.fc1(x)  x = self.relu3(x)  x = self.fc2(x)  return x  # 实例化模型并打印结构  
model = SimpleCNN(num_classes=10)  
print(model)  # 假设有一个输入张量,测试模型  
input_tensor = torch.randn(1, 3, 32, 32)  
output = model(input_tensor)  
print(output.shape)  # 应该是[1, 10],表示10个类别的输出

优点:

1)高度灵活:允许用户定义任意复杂的前向传播逻辑,并可以轻松地插入自定义的操作或层。

2)功能强大:通过继承nn.Module,用户可以充分利用PyTorch提供的各种功能,如参数管理、模型保存/加载、GPU加速等。

缺点:

1)在模型层数多结构复杂时,只使用nn.Module类来编写会显得凌乱,后期难以维护

2)相比nn.Sequential,代码量更多,需要定义一个类,并且手动编写前向传播部分

2,使用nn.Sequential

对于顺序连接的层,可以使用nn.Sequential来简化模型的构建。nn.Sequential接受一个层列表作为输入,并自动定义前向传播。

import torch  
import torch.nn as nn  
import torch.nn.functional as F  # 定义一个简单的CNN模型,使用nn.Sequential  
class SimpleCNN(nn.Sequential):  def __init__(self, num_classes=10):  super(SimpleCNN, self).__init__()  # 添加卷积层  self.add_module('conv1', nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1))  self.add_module('relu1', nn.ReLU())  self.add_module('pool1', nn.MaxPool2d(kernel_size=2, stride=2))  self.add_module('conv2', nn.Conv2d(32, 64, 3, padding=1))  self.add_module('relu2', nn.ReLU())  self.add_module('pool2', nn.MaxPool2d(2, 2))  # 添加全连接层,注意需要先flatten特征图  self.add_module('flatten', nn.Flatten())  self.add_module('fc1', nn.Linear(64 * 8 * 8, 128))  # 修正了这里的输入维度  self.add_module('relu3', nn.ReLU())  self.add_module('fc2', nn.Linear(128, num_classes))  # 实例化模型并打印结构  
model = SimpleCNN(num_classes=10)  
print(model)  # 假设有一个输入张量  
input_tensor = torch.randn(1, 3, 32, 32)  
output = model(input_tensor)  
print(output.shape)  # 应该是[1, 10],表示10个类别的输出

注:其中add.module是nn.Sequential中的一个方法用于向 nn.Sequential 容器中添加一个模块(即一个层或一个子网络)。当你创建一个 nn.Sequential 实例时,你可以通过调用 self.add_module 方法来逐个添加你想要的层。这个方法接受两个参数:name和module,module是一个 nn.Module 的实例,表示要添加的层或子网络。add.module不仅可以用在初始化方法中,还可以动态添加网络结构。

优点:

1)简单直观,代码量少,易于维护

缺点:

1)灵活性不足:对于需要复杂前向传播逻辑或者非线性层次结构(如跳跃结构或者分支结构)的模型,只用nn.Sequential不方便

2)调试不便:因为所有层都被封装在Sequential中

3)自定义操作受限:不方便插入自定义的逻辑和操作

3,结合使用nn.Module和nn.Sequential

使用nn.Module构建网络,但其中每个block都用nn.Sequential构建的方式,实际上结合了nn.Sequential和nn.Module两者的特点

import torch  
import torch.nn as nn  
import torch.nn.functional as F  # 定义一个简单的CNN模型,结合使用nn.Module和nn.Sequential  
class SimpleCNN(nn.Module):  def __init__(self, num_classes=10):  super(SimpleCNN, self).__init__()  # 使用nn.Sequential定义卷积层部分  self.features = nn.Sequential(  nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1),  nn.ReLU(),  nn.MaxPool2d(kernel_size=2, stride=2),  nn.Conv2d(32, 64, 3, padding=1),  nn.ReLU(),  nn.MaxPool2d(2, 2)  )  # 定义全连接层部分  self.fc1 = nn.Linear(64 * 8 * 8, 128)  self.relu3 = nn.ReLU()  self.fc2 = nn.Linear(128, num_classes)  def forward(self, x):  # 通过卷积层部分  x = self.features(x)  # 展平特征图  x = x.view(-1, 64 * 8 * 8)  # 通过全连接层部分  x = self.fc1(x)  x = self.relu3(x)  x = self.fc2(x)  return x  # 实例化模型并打印结构  
model = SimpleCNN(num_classes=10)  
print(model)  # 假设有一个输入张量  
input_tensor = torch.randn(1, 3, 32, 32)  
output = model(input_tensor)  
print(output.shape)  # 应该是[1, 10],表示10个类别的输出

对于案例里这种过于简单的模型,这种混合方式的优势还不明显。但是对于复杂模型,这种组合的实现方式相比起前两种更常见。

4,使用nn.ModuleDict

nn.ModuleDict 是 PyTorch 中的一个类,它继承自 nn.Module,用于存储模块(modules)的字典。与普通的 Python 字典不同,nn.ModuleDict 中的模块会被自动注册为参数,这样它们就可以被识别为模型的一部分,并且在调用 .parameters() 或 .to(device) 等方法时,这些模块中的参数也会被包含在内。

nn.ModuleDict 的用法很简单,你可以像使用普通字典一样使用它,但是键(key)必须是字符串,值(value)必须是 nn.Module 的实例。

import torch  
import torch.nn as nn  
import torch.nn.functional as F  
from collections import OrderedDict  # 定义一个简单的CNN模型,使用nn.OrderedDict来组织层  
class SimpleCNN(nn.Module):  def __init__(self, num_classes=10):  super(SimpleCNN, self).__init__()  # 使用nn.OrderedDict定义所有层#不需要注册  self.layers = nn.ModuleDict({  'conv1': nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1),  'relu1': nn.ReLU(),  'pool1': nn.MaxPool2d(kernel_size=2, stride=2),  'conv2': nn.Conv2d(32, 64, 3, padding=1),  'relu2': nn.ReLU(),  'pool2': nn.MaxPool2d(2, 2),  'flatten': nn.Identity(),  # 使用nn.Identity作为占位符,实际展平操作在forward中实现  'fc1': nn.Linear(64 * 8 * 8, 128),  'relu3': nn.ReLU(),  'fc2': nn.Linear(128, num_classes)  })  def forward(self, x):  # 顺序通过所有层  for name,layer in self.layers.items():  x = layer(x)  if name == 'pool2':  # 在池化后检查是否需要展平  x = x.view(-1, 64 * 8 * 8)  # 展平操作print(x.shape)return x  # 实例化模型并打印结构  
model = SimpleCNN(num_classes=10)  
print(model)  # 假设有一个输入张量  
input_tensor = torch.randn(1, 3, 32, 32)  
output = model(input_tensor)  
print(output.shape)  # 应该是[1, 10],表示10个类别的输出

优点:

1)会自动注册其中的模块,但是这一点也可能成为缺点,主要看需求。如果调用的是pytoch自带的层,用自动注册更省事。

缺点:

1)会自动注册其中的模块同样可能成为一个确定,如果需要自己编写层,就需要手动注册。

2)出错后定位问题位置和调试相对更困难:前三种实现方式里都有层次化的结构,而用nn.ModuleDict来实现会缺乏这样的结构信息。另外nn.ModuleDict允许动态修改和删除模块,这会增加出错几率和调试难度。

5,使用nn.OrderedDict

当需要对层进行命名以便后续访问时,还可以使用collections.OrderedDict

import torch  
import torch.nn as nn  
import torch.nn.functional as F  class SimpleCNN(nn.Module):  def __init__(self, num_classes=10):  super(SimpleCNN, self).__init__()  # 使用nn.OrderedDict定义所有层的顺序  self.layers = nn.OrderedDict([  ('conv1', nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1)),  ('relu1', nn.ReLU()),  ('pool1', nn.MaxPool2d(kernel_size=2, stride=2)),  ('conv2', nn.Conv2d(32, 64, 3, padding=1)),  ('relu2', nn.ReLU()),  ('pool2', nn.MaxPool2d(2, 2)),  ('flatten', nn.Flatten()),  # 使用nn.Flatten进行展平操作  ('fc1', nn.Linear(64 * 8 * 8, 128)),  ('relu3', nn.ReLU()),  ('fc2', nn.Linear(128, num_classes))  ])  # 将layers中的模块注册到当前Module  for name, module in self.layers.items():  self.add_module(name, module)  def forward(self, x):  # 顺序通过所有层  for name, layer in self.layers.items():  x = layer(x)  if name == 'flatten':  # 在展平层后打印形状  print(x.shape)  return x  # 实例化模型并打印结构  
model = SimpleCNN()  
print(model)  # 假设有一个输入张量  
input_tensor = torch.randn(1, 3, 32, 32)  
output = model(input_tensor)  
print(output.shape)  # 应该是[1, 10],表示10个类别的输出

在PyTorch中,即使不用nn.OrderedDict也可以给每一层命名。但使用OrderedDict来管理层的顺序和注册仍然有其优势,特别是在构建复杂模型或需要动态修改模型结构时。

另外,我们可以注意到nn.OrderedDict和nn.ModuleDict都是用字典的来存储模块,那么他们的区别是什么呢?

最主要的区别有两点:1)nn.OrderedDict是严格保持元素顺序的,而nn.Module在原本的实现里是不保持元素顺序的,但是在python3.7及之后的版本里已经改为保持元素的插入顺序。

2)nn.OrderedDict其实不是pytoch中特有的类,而是python中的类,所以它是不会自动注册模块的。需要手动注册。

优缺点:

相比nn.ModuleDict,nn.OrderedDict不会自动注册模块,这个特点视情况可能成为优点或缺点。

6,调用预训练好的模块拼装成网络模型

这种方式在深度学习领域非常常见,特别是在迁移学习和微调(fine-tuning)的场景中。

示例代码如下,我们取预训练的resnet18前两个block,和我们自己实现的分类头组合成一个全新的模型。

import torch  
import torch.nn as nn  
from torchvision import models  class MyPartialResNet18(nn.Module):  def __init__(self, num_classes=10):  super(MyPartialResNet18, self).__init__()  # 加载预训练的resnet18模型  self.resnet18 = models.resnet18(pretrained=True)  # 冻结整个resnet18的参数  for param in self.resnet18.parameters():  param.requires_grad = False  # 只保留前两个block  self.features = nn.Sequential(  self.resnet18.conv1,  self.resnet18.bn1,  self.resnet18.relu,  self.resnet18.maxpool,  self.resnet18.layer1, self.resnet18.layer2  )self.gmp=  nn.AdaptiveMaxPool2d((1, 1))self.flatten = nn.Flatten()# 自定义一个全连接层  self.fc = nn.Linear(self.resnet18.layer2[-1].conv2.out_channels, num_classes)  def forward(self, x):  x = self.features(x)  x = self.gmp(x)x = self.flatten(x)x = self.fc(x)  return x  # 创建模型实例  
model = MyPartialResNet18(num_classes=10)  # 打印模型结构  
print(model)  # 假设你有一个输入tensor x  
x = torch.randn(1, 3, 224, 224)  
# 输出模型的预测  
output = model(x)  
print(output.shape)  # 应该是[1, 10],表示10个类别的预测

优点:可以快速实现,可以利用现有的预训练参数

缺点:缺乏灵活性

总之以上方法都有各自优缺点,各位按照自己的实际需求选择。

这篇关于PyTorch构建模型网络结构的6种方式的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1102126

相关文章

Java对象转换的实现方式汇总

《Java对象转换的实现方式汇总》:本文主要介绍Java对象转换的多种实现方式,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录Java对象转换的多种实现方式1. 手动映射(Manual Mapping)2. Builder模式3. 工具类辅助映

Spring Boot读取配置文件的五种方式小结

《SpringBoot读取配置文件的五种方式小结》SpringBoot提供了灵活多样的方式来读取配置文件,这篇文章为大家介绍了5种常见的读取方式,文中的示例代码简洁易懂,大家可以根据自己的需要进... 目录1. 配置文件位置与加载顺序2. 读取配置文件的方式汇总方式一:使用 @Value 注解读取配置方式二

JAVA保证HashMap线程安全的几种方式

《JAVA保证HashMap线程安全的几种方式》HashMap是线程不安全的,这意味着如果多个线程并发地访问和修改同一个HashMap实例,可能会导致数据不一致和其他线程安全问题,本文主要介绍了JAV... 目录1. 使用 Collections.synchronizedMap2. 使用 Concurren

C# foreach 循环中获取索引的实现方式

《C#foreach循环中获取索引的实现方式》:本文主要介绍C#foreach循环中获取索引的实现方式,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录一、手动维护索引变量二、LINQ Select + 元组解构三、扩展方法封装索引四、使用 for 循环替代

将Java程序打包成EXE文件的实现方式

《将Java程序打包成EXE文件的实现方式》:本文主要介绍将Java程序打包成EXE文件的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录如何将Java程序编程打包成EXE文件1.准备Java程序2.生成JAR包3.选择并安装打包工具4.配置Launch4

springboot上传zip包并解压至服务器nginx目录方式

《springboot上传zip包并解压至服务器nginx目录方式》:本文主要介绍springboot上传zip包并解压至服务器nginx目录方式,具有很好的参考价值,希望对大家有所帮助,如有错误... 目录springboot上传zip包并解压至服务器nginx目录1.首先需要引入zip相关jar包2.然

Java数组初始化的五种方式

《Java数组初始化的五种方式》数组是Java中最基础且常用的数据结构之一,其初始化方式多样且各具特点,本文详细讲解Java数组初始化的五种方式,分析其适用场景、优劣势对比及注意事项,帮助避免常见陷阱... 目录1. 静态初始化:简洁但固定代码示例核心特点适用场景注意事项2. 动态初始化:灵活但需手动管理代

pytorch自动求梯度autograd的实现

《pytorch自动求梯度autograd的实现》autograd是一个自动微分引擎,它可以自动计算张量的梯度,本文主要介绍了pytorch自动求梯度autograd的实现,具有一定的参考价值,感兴趣... autograd是pytorch构建神经网络的核心。在 PyTorch 中,结合以下代码例子,当你

使用Python构建一个Hexo博客发布工具

《使用Python构建一个Hexo博客发布工具》虽然Hexo的命令行工具非常强大,但对于日常的博客撰写和发布过程,我总觉得缺少一个直观的图形界面来简化操作,下面我们就来看看如何使用Python构建一个... 目录引言Hexo博客系统简介设计需求技术选择代码实现主框架界面设计核心功能实现1. 发布文章2. 加

python logging模块详解及其日志定时清理方式

《pythonlogging模块详解及其日志定时清理方式》:本文主要介绍pythonlogging模块详解及其日志定时清理方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录python logging模块及日志定时清理1.创建logger对象2.logging.basicCo