# -------神经网络工具箱nn------------------------------------------
# torch.nn是专门为深度学习而设计的模块，torch.nn的核心数据结构是Module
# 既可以表示神经网络中的某个层（layer），也可以表示包含很多层的神经网络
# 实际使用中，最常用的做法是继承nn.Module，撰写自己的网络/层，
# 全连接层有名仿射层，
import torch as t
from torch import nn
import pylab
# 全连接层的实现
# PyTorch的nn.Linear（）是用于设置网络中的全连接层的，
# 需要注意在二维图像处理的任务中，全连接层的输入与输出一般都设置为二维张量，
# 形状通常为[batch_size, size]，不同于卷积层要求输入输出是四维张量。
class Linear(nn.Module): # 继承nn.Module父类
def __init__(self, in_features, out_features): # 必须初始化构造函数
super(Linear, self).__init__() # 等价于nn.Module.__init__(self)
self.w = nn.Parameter(t.randn(in_features, out_features)) # 自封装学习参数
self.b = nn.Parameter(t.randn(out_features))
def forward(self, x):
x = x.mm(self.w)
return x + self.b.expand_as(x)
# 无需写后向传播过程，nn.Module会利用autograd自动实现反向传播
# in_features指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。
# out_features指的是输出的二维张量的大小，
# 即输出的二维张量的形状为[batch_size，output_size]，
# 当然，它也代表了该全连接层的神经元个数。
# 从输入输出的张量的shape角度来理解，
# 相当于一个输入为[batch_size, in_features]的张量
# 变换成了[batch_size, out_features]的输出张量。
layer = Linear(4, 3) # in_features=4,out_features=3
input = t.randn(2, 4) # (batch_size,in_feature)
output = layer(input)
print(output)
for name, parameter in layer.named_parameters():
print(name, parameter) # w and b
# 全连接层实现非常简单，但是需要注意以下几点：
# （1）自定义层Linear必须继承nn.Module,并且在其构造函数中需调用nn.Module的构造函数，
# 即super(Linear,self).__init__()
# (2)在构造函数__init__中必须自己定义课学习的参数，并封装成Parameter
# ---------多层感知机---------------------------------------------------------
# 它由两个全连接层组成，采用sigmoid作为激活函数
class Perceptron(nn.Module): # 继承nn.Module父类
def __init__(self, in_features, hidden_features, out_features):
nn.Module.__init__(self) # 必须调用构造函数，初始化参数
# 必须封装自定义参数
self.layer1 = Linear(in_features, hidden_features) # 此处的Linear是前面自定义的全连接层
self.layer2 = Linear(hidden_features, out_features)
def forward(self, x):
x = self.layer1(x)
x = t.sigmoid(x)
return self.layer2(x)
perceptron = Perceptron(3, 4, 1)
for name, param in perceptron.named_parameters():
print(name, param.size())
# layer1.w torch.Size([3, 4])
# layer1.b torch.Size([4])
# layer2.w torch.Size([4, 1])
# layer2.b torch.Size([1])
# 构造函数__init__中，可利用前面自定义的Linear层（module）
# 作为当前module对象的一个子module，它的可学习参数，也会成为当前module的可学习参数
# ---module中parameter的命名规范---------
# 输入输出的形状，如nn.linear的输入形状是（N，input_features）,
# 输出为（N，output_features)，N是batch_size
# 这些自定义Layer对输入形状都有形状，输入的不是单个数据，而是一个batch
# 输入只有一个数据，则必须调用tensor.unsqueeze(0)或tensor[None]将
# 将数据伪装成batch_size=1的batch
# ------------4.1 常用神经网络层---------------------------------------------------
# ----------4.1.1 图像相关层-------------------------------
# 图像相关层主要包括卷积层（Conv）\池化层（Pool），这些层在实际使用中可分为
# 一维（1D），二维（2D），三维（3D），池化方式又分为平均池化（AvgPool),
# 最大值池化（MaxPool），自适应池化（Adaptive AvgPool）等
# 而卷积层除了常用的前向卷积之外，还有逆卷积（TransposeConcv）
# 一般来说，一维卷积用于文本数据，二维卷积用于图像数据，
# 对宽度和高度都进行卷积，三维卷积用于视频及3D图像处理领域（检测动作及人物行为），
# 对立方体的三个面进行卷积 。二维卷积的用处范围最广，在计算机视觉中广泛应用。
from PIL import Image
from torchvision.transforms import ToTensor, ToPILImage
import numpy as np
to_tensor = ToTensor() # Img->tensor
to_pil = ToPILImage() # tensor->Img
lena = Image.open('lena.png')
print(lena)
# lena.show() # 显示图片
# 将PIL Image图片转换为numpy数组
im_arry = np.array(lena)
print(im_arry.size) # 40000
# 也可以np.asarray(im)区别是np.array()是深拷贝，np.asarray（）是浅拷贝
# 输入是一个batch，batch_size=1
# 大小为200*200
input = to_tensor(lena).unsqueeze(0)
# 锐化卷积核
kernel = t.ones(3, 3) / -9.
print('kernel:', kernel)
kernel[1][1] = 1
print('kernel:', kernel)
# 锐化卷积核
# kernel: tensor([[-0.1111, -0.1111, -0.1111],
# [-0.1111, 1.0000, -0.1111],
# [-0.1111, -0.1111, -0.1111]])
# 输入通道，输出通道，步长，卷积核大小，，是否添加偏置进行参数学习
conv = nn.Conv2d(1, 1, (3, 3), 1, bias=False)
conv.weight.data = kernel.view(1, 1, 3, 3)
# 这里卷积核w的参数个数是(3*3*3+1)*1，
# (输入通道3，卷积核大小3*3，一个偏置，输出通道1)
print(conv.weight.data)
out = conv(input)
# to_pil(out.data.squeeze(0)).show()
# 池化层可以看作一种特殊的卷积层，用来下采样，
# # 但池化层没有可学习参数，其weight是固定的
pool = nn.AvgPool2d(2, 2) # 2维最大化操作
print(list(pool.parameters())) # []没有参数
out = pool(input)
# to_pil(out.data.squeeze(0)).show()
# 转化为一维数组才可以，squeeze(0),维度为1的压缩
# 除了卷积层和池化层，深度学习还将常用到
# Linear：全连接层；
# BatchNorm：批规范化层，分为1D,2D,3D，
# 除了标准的BatchNorm之外，还有风格迁移中常用InstanceNorm层
# Dropout层，用来防止过拟合，同样分为1D,2D,3D
# 输入batch_size=2,维度3
# （1）Linear层
input = t.randn(2, 3) # [-1,1]
linear = nn.Linear(3, 4) # 输入，输出
h = linear(input)
print(h)
# tensor([[-0.2813, -1.1104, -0.6374, 1.0212],
# [ 0.1217, -1.2646, -0.1236, 0.5959]], grad_fn=<AddmmBackward0>)
# （2）BatchNorm---批规范化层
# 4 channel，初始化标准差为4，均值为0
bn = nn.BatchNorm1d(4)
bn.weight.data = t.ones(4) * 4
bn.bias.data = t.zeros(4)
bn_out = bn(h)
print(bn_out)
# tensor([[ 3.9999, -4.0000, -3.9995, 3.9931],
# [-3.9999, 4.0000, 3.9995, -3.9931]],
# grad_fn=<NativeBatchNormBackward0>)
print(bn_out.mean(0), "\n", bn_out.var(0, unbiased=False)) # 0/1代表维度
# 输出均值为0，方差为16（有正负）
# 方差是标准差的平方，计算无偏分差分母会减一
# 使用unbiased=False,分母不减一
# （3）Dropout层
dropout = nn.Dropout(0.5) # 每个元素以0.5的概率舍弃
out = dropout(bn_out)
print(bn_out)
print(out) # 有一半左右的数变为0
# tensor([[-7.9998, 7.9998, -7.9998, -0.0000],
# [ 0.0000, -0.0000, 7.9998, 0.0000]], grad_fn=<MulBackward0>)
# a=t.rand(2,4)*5
# print(a)
# tensor([[4.4786, 4.4752, 3.1746, 3.7649],
# [2.7463, 0.6550, 4.0261, 1.9380]])
# dropout = nn.Dropout(0.5)
# out_a=dropout(a)
# print(out_a)
# tensor([[0.0000, 8.9505, 0.0000, 0.0000],
# [5.4926, 0.0000, 8.0522, 0.0000]])
# ----------------------4.1.2 激活函数-------------------------------------------------
relu = nn.ReLU(inplace=True)
input = t.randn(2, 3)
print(input)
output = relu(input) # max(0,x)，小于0的都被截断为0
print(output) # 等价于input.clamp(min=0)
# 在以上的例子中，将每一层的输出直接作为下一层的输入，这种网络称为前馈传播网络
# feedforward neural network
# 对于此类网络如果每次都写复杂的forward函数比较，简化方式为ModuleList和Sequential
# 其中Sequential是一种特殊的Module，包含几个子Module,前向传播时会将输入一层接一层的传递下去
# ModuleList一个特殊的module，可以包含几个子module,可以像用list一样使用它
# 但不能直接把输入传给ModuleList
# Sequential的三种写法
net1 = nn.Sequential()
net1.add_module('conv', nn.Conv2d(3, 3, 3)) # 输入通道，输出通道，卷积核大小
net1.add_module('batchnorm', nn.BatchNorm2d(3)) # 均值0，标准差3
net1.add_module('activation_layer', nn.ReLU()) # 激活层
net2 = nn.Sequential(nn.Conv2d(3, 3, 3), nn.BatchNorm2d(3), nn.ReLU())
from collections import OrderedDict
net3 = nn.Sequential(OrderedDict([
('conv1', nn.Conv2d(3, 3, 3)),
('bn1', nn.BatchNorm2d(3)),
('relu1', nn.ReLU())
]))
print('net1:', net1)
print('net2:', net2)
print('net3:', net3)
# net1: Sequential(
# (conv): Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
# (batchnorm): BatchNorm2d(3, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
# (activation_layer): ReLU()
# )
# net2: Sequential(
# (0): Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
# (1): BatchNorm2d(3, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
# (2): ReLU()
# )
# net3: Sequential(
# (conv1): Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
# (bn1): BatchNorm2d(3, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
# (relu1): ReLU()
# )
# BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True)
# num_features=batch_size,
# eps：为保持数值稳定性（分母不能趋近或取0），给分母加上的数值，默认为1e-5
# momentum:动态均值和动态方差使用的动量，默认为0.1
# affine:一个布尔值，当设为true,给该层添加可学习的仿射变换参数
# 可根据名字或序号取出子module
print(net1.conv, "\n", net2[0], "\n", net3.conv1)
# Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
# Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
# Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
input = t.rand(1, 3, 4, 4)
print(input)
print(net1(input)) # 4-3+1=2
# tensor([[[[0.9605, 0.9013],
# [0.0000, 0.0000]],
#
# [[0.0758, 1.5793],
# [0.0000, 0.0000]],
#
# [[0.0000, 1.2621],
# [0.0000, 0.5575]]]], grad_fn=<ReluBackward0>)
output = net2(input)
output = net3(input)
output = net3.relu1(net1.batchnorm(net1.conv(input)))
# ModuleList的写法
modellist = nn.ModuleList([nn.Linear(3, 4), nn.ReLU(), nn.Linear(4, 2)])
input = t.randn(1, 3)
for model in modellist:
input = model(input)
# 下面会报错，因为modelist没有实现forward方法
# output=modelist(input)
# 不使用Python自带的list，因为Modulelist是Module的子类，
# 当在Module中它时，就能自动识别为子module
# 举例说明
class MyModule(nn.Module): # 继承父类Module
def __init__(self):
super(MyModule, self).__init__() # 必须初始化构造函数
self.list = [nn.Linear(3, 4), nn.ReLU()]
self.module_list = nn.ModuleList([nn.Conv2d(3, 3, 3), nn.ReLU()])
def forward(self):
pass
model = MyModule()
print(model)
# MyModule(
# (module_list): ModuleList(
# (0): Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1))
# (1): ReLU()
# )
# )
for name, param in model.named_parameters():
print(name, param.size())
# module_list.0.weight torch.Size([3, 3, 3, 3])
# module_list.0.bias torch.Size([3])
# 可见，list的子Module不能被主module所识别，而Mdolelist中的子module能够被主module
# 所识别，这意味着如果用List保存子module,将无法调整参数，因为并未加入到主Module的参数中
# ------------------------4.1.3 循环神经网络（RNN）------------------------------------------------
# 说明：LSTM有7个参数，前三个是必须输入的参数
# (1)input_size:输入的特征维度
# （2）hidden_size:隐状态的特征维度
# （3）num_layer:层数（和时序展开要区分开）
# （4）bias：如果False，那么LSTM不会使用b，默认为True
# （5）batch_first:如果为True，输入输出形状为（batch，seq，feature）
# （6）dropout-如果为非零的话，将在RNN每层后加一个dropout，最后一层除外
# （7）bidirectional如果为True，将会变成双向RNN，默认为False
# 设置随机数种子
t.manual_seed(1000)
# 输入：batch_size=3,序列长度都为2，序列中每个元素占4维
input = t.randn(2, 3, 4)
# lstm输入层特征维度4维，隐藏层特征维度为3,共堆叠1层
lstm = nn.LSTM(4, 3, 1)
# lstm输入input，（h0，c0）
# h_0保存着batch中每个元素的初始化隐状态的tensor
# c_0保存着batch中每个元素的初始化细胞状态的tensor
# 初始状态：1层，batch_size=3,3个隐藏元
h0 = t.randn(1, 3, 3)
c0 = t.randn(1, 3, 3)
out, hn = lstm(input, (h0, c0))
print(out)
# tensor([[[-0.3610, -0.1643, 0.1631],
# [-0.0613, -0.4937, -0.1642],
# [ 0.5080, -0.4175, 0.2502]],
#
# [[-0.0703, -0.0393, -0.0429],
# [ 0.2085, -0.3005, -0.2686],
# [ 0.1482, -0.4728, 0.1425]]], grad_fn=<StackBackward0>)
t.manual_seed(1000)
input = t.randn(2, 3, 4)
# LSTMCell的输入参数
# input_size:输入的特征维度
# hidden_size:隐状态的维度
# bias：如果False，将不会使用bias，默认为True
# 一个LSTMCell对应的层数只能是一层
lstm = nn.LSTMCell(4, 3)
hx = t.randn(3, 3)
cx = t.randn(3, 3)
out = []
for i_ in input:
hx, cx = lstm(i_, (hx, cx))
out.append(hx)
print(t.stack(out))
# tensor([[[-0.3610, -0.1643, 0.1631],
# [-0.0613, -0.4937, -0.1642],
# [ 0.5080, -0.4175, 0.2502]],
#
# [[-0.0703, -0.0393, -0.0429],
# [ 0.2085, -0.3005, -0.2686],
# [ 0.1482, -0.4728, 0.1425]]], grad_fn=<StackBackward0>)
# -----------------------------4.1.4 损失函数----------------------------------------------------------
# 深度学习中损失函数（loss function)，也可以看做一种特殊的layer，
# PyTorch也将这些损失函数实现为nn.Module的子类，
# 然而实际使用中通常将这些loss function专门提取出来，与主模型相互独立
# batch_size=3，计算对应每个类别的分数（只有两个类别）
score = t.randn(3, 2) # [正态分布]
print(score)
# 三个样本分别属于1,0,1类，label必须是LongTensor
label = t.Tensor([1, 0, 1]).long()
# loss与普通的layer无差异
criterion = nn.CrossEntropyLoss() # 交叉熵损失函数
loss = criterion(score, label)
print(loss)
# --------------------------4.2 优化器--------------------------------------------------------------------
# PyTorch将深度学习中常用的优化方法封装在torch.optim中
# 所有的优化方法都是继承基类optim.Optimizer，并实现了自己的优化步骤
# 最基本的优化方法，随机梯度下降法（SGD）
# 主要内容分别是：
# （1）优化方法的基本使用方法
# （2）对模型的不同部分设置不同的学习率
# （3）调整学习率
# 首先定义一个LetNet网络
class Net(nn.Module): # 继承基类Module
def __init__(self): # 初始化构造函数
super(Net, self).__init__()
self.features = nn.Sequential( # Sequential会自动将一层的输出到下一层的输入
nn.Conv2d(3, 6, 5), # 输入通道，输出通道，卷积核大小
nn.ReLU(),
nn.MaxPool2d(2, 2), # 池化窗口大小
nn.Conv2d(6, 16, 5), # 输入通道，输出通道，卷积核大小
nn.ReLU(),
nn.MaxPool2d(2, 2) # 池化窗口大小
)
self.classifier = nn.Sequential(
nn.Linear(16 * 5 * 5, 120), # 输入维度，输出维度
nn.ReLU(),
nn.Linear(120, 84),
nn.ReLU(),
nn.Linear(84, 10)
)
def forward(self, x):
x = self.features(x)
x = x.view(-1, 16 * 5 * 5)
x = self.classifier(x)
return x
net = Net()
from torch import optim
optimizer = optim.SGD(params=net.parameters(), lr=1)
optimizer.zero_grad() # 梯度清零，等价于net.zeros_grad()
input = t.randn(1, 3, 32, 32)
output = net(input)
output.backward(output) # fake backward
optimizer.step() # 执行优化
print("----------------------")
print(optimizer)
# SGD (
# Parameter Group 0
# dampening: 0
# lr: 1
# momentum: 0
# nesterov: False
# weight_decay: 0
# )
# ------------(1)为不同子网络设置不同的学习率，在finetune中经常用到---------------
# 如果对某个参数不指定学习率，就是用最外层的默认学习率
optimizer = optim.SGD([
{'params': net.features.parameters()},
{'params': net.classifier.parameters(), 'lr': 1e-2}
], lr=1e-5)
print("----------------------")
print(optimizer)
# SGD (
# Parameter Group 0
# dampening: 0
# lr: 1e-05
# momentum: 0
# nesterov: False
# weight_decay: 0
#
# Parameter Group 1
# dampening: 0
# lr: 0.01
# momentum: 0
# nesterov: False
# weight_decay: 0
# )
# --------------------(2)只为两个全连接层设置较大的学习率，其余层的学习率较小--------------
special_layers = nn.ModuleList([net.classifier[0], net.classifier[3]])
special_layers_params = list(map(id, special_layers.parameters()))
base_params = filter(lambda p: id(p) not in special_layers_params,
net.parameters())
optimizer = t.optim.SGD([
{'params': base_params},
{'params': special_layers.parameters(), 'lr': 0.01}
], lr=0.001)
print("------------------")
print(optimizer)
# SGD (
# Parameter Group 0
# dampening: 0
# lr: 0.001
# momentum: 0
# nesterov: False
# weight_decay: 0
#
# Parameter Group 1
# dampening: 0
# lr: 0.01
# momentum: 0
# nesterov: False
# weight_decay: 0
# )
# --------------调整学习率-----------------------
# 对于如何调整学习率，主要两种做法：
# （1）修改optimizer.params_groups中对应的学习率，
# （2）新建优化器--更简单，较为推荐
# 由于optimizer十分轻量级，构建开销很小，故而可以构建新的optimizer
# 但是后者对于使用动量的优化器，会丢失动量等状态信息，
# 可能会造成损失函数的收敛出现震荡等情况
# --------------方法1：调整学习率，新建一个optimizer------------
old_lr = 0.01
optimizer1 = optim.SGD([
{'params': net.features.parameters()},
{'params': net.classifier.parameters(), 'lr': old_lr * 0.1}
], lr=1e-5)
print(optimizer1)
# SGD (
# Parameter Group 0
# dampening: 0
# lr: 1e-05
# momentum: 0
# nesterov: False
# weight_decay: 0
#
# Parameter Group 1
# dampening: 0
# lr: 0.001
# momentum: 0
# nesterov: False
# weight_decay: 0
# )
# ----------方法2：调整学习率，手动decay,保存动量-------------------------
for param_group in optimizer.param_groups:
param_group['lr'] *= 0.1 # 学习率为之前的0.1倍
print(optimizer)
# SGD (
# Parameter Group 0
# dampening: 0
# lr: 0.0001
# momentum: 0
# nesterov: False
# weight_decay: 0
#
# Parameter Group 1
# dampening: 0
# lr: 0.001
# momentum: 0
# nesterov: False
# weight_decay: 0
# )
# -----------------------------4.3 nn.functional------------------------------------------------
# nn中很常用的模块，nn.functional，nn中多数layer在functional中都有一个与之相对应的函数
# nn.functional中的函数和nn.Module的主要区别在于，用nn.Module实现的layers是一个特殊的类
# 都是由class layer(nn.Module)定义，会自动提取可学习的参数，而nn.functional中的函数
# 更像一个纯函数，由def function(input)定义
input = t.randn(2, 3)
model = nn.Linear(3, 4)
output1 = model(input)
output2 = nn.functional.linear(input, model.weight, model.bias)
print(output1 == output2)
print(output1)
print(output2) # 输出一模一样
b = nn.functional.relu(input)
b2 = nn.ReLU()(input)
print(b == b2) # 一样
# 如果模型（卷积，全连接）有可学习的参数，最好用nn.Module
# 否则（激活函数，池化）都可以，二者在性能上没有太大差异
# 另外虽然dropout没有可学习参数，但建议nn.Dropout
# 因为dropout在训练和测试两个阶段的行为有所差别，
# 使用nn.Module对象能够通过model.eval操作加以区分
# 下列在模型中搭配使用nn.Module和nn.functional
from torch.nn import functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5),
self.conv2 = nn.Conv2d(6, 16, 5)
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 = F.pool(F.relu(self.conv1(x)), 2)
x = F.pool(F.relu(self.conv2(x)), 2)
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
# 对于不具备可学习参数的（激活、池化），将它们用函数代替，这样可以不用放置在
# 构造函数__init__中，对于由可学习参数的模块，也可以用funciotnal代替
# 但是较为繁琐，需要自定义参数parameter,如前面的实现的自定义全连接层
# 可以将weight和bias两个参数单独拿出来，在构造函数中初始化parameter
# class MyLinear(nn.Module): # 继承基类Module
# def __init__(self): # 必须初始化构造函数
# super(MyLinear, self).__init__()
# self.weight = nn.Parameter(t.randn(3, 4))
# self.bias = nn.Parameter(t.zeros(3))
#
# def forward(self): ##----------！！！------------
# return F.linear(input, weight, bias)
# --------------------------4.4 初始化策略-----------------------------------------------
# 深度学习中参数的初始化，良好的初始化能让模型更快收敛，糟糕的初始化可能是的模型迅速瘫痪
# PyTorch中nn.Module的模块参数采取了较为合理的初始化策略
# PyTorch中nn.init模块就是专门为初始化而设计，
# 如果某种初始化策略nn.init不提供，用户也可以自己直接初始化
# （1）利用nn.init初始化-----------
from torch.nn import init
linear = nn.Linear(3, 4)
# 设置随机数种子
t.manual_seed(1)
# 等价于 linear.weight.data.normal_(0,std)
# 用一个均匀分布生成之，填充输入的张量或变量，结果张量中的值采样子U(-bound,bound)
init.xavier_normal_(linear.weight)
print(linear.weight)
# （2）直接初始化------------------
import math
t.manual_seed(1)
# xavier初始化的计算公式
std = math.sqrt(2) / math.sqrt(7.)
linear.weight.data.normal_(0, std)
print(linear.weight)
# (3)对模型所有参数进行初始化
for name, params in net.named_parameters():
if name.find('linear') != -1:
# 初始化Linear
param[0] # weight
param[1] # bias
elif name.find('conv') != -1:
pass
elif name.find('norm') != -1:
pass
# ---------------------------4.5 mm.Module深入分析-----------------------------------------------------------
# nn.Module基类的构造函数
# def __init__(self):
# self._parameters=OrderedDict()
# self._modules=OrderedDict()
# self._buffers=OrderedDict()
# self._backward_hooks=OrderedDict()
# self._forward_hooks=OrderedDict()
# self.training=True
# 对每个属性解释如下：
# （1）_parameters:字典，保存用户直接设置的parameters，
# self.param1=nn.Parameter(t.randn(3,3))会被检测到，在字典中
# 加入一个key为‘param',value对应parameter的item，
# 而self.submodule=nn.Linear(3,4)中的parameter则不会存于此
# (2)_modules:子modules:子module,
# 通过slef.submodel=nn.Linear(3,4)指定的子module会保存于此
# 下面举例说明
class Net(nn.Module): # 继承基类(Module)
def __init__(self): # 初始化构造函数
super(Net, self).__init__()
# 等价与self.register_parameter('param1',nn.Parameter(t.randn(3,3)))
self.param1 = nn.Parameter(t.rand(3, 3))
self.submodule1 = nn.Linear(3, 4)
def forward(self, input):
x = self.param1.mm(input)
x = self.submodule1(x)
return x
net = Net()
print(net)
# Net(
# (submodule1): Linear(in_features=3, out_features=4, bias=True)
# )
print(net._modules)
# OrderedDict([('submodule1', Linear(in_features=3, out_features=4, bias=True))])
print(net._parameters)
# tensor([[0.3398, 0.5239, 0.7981],
# [0.7718, 0.0112, 0.8100],
# [0.6397, 0.9743, 0.8300]], requires_grad=True))])
print(net.param1) # 等价于net._patameters['param1']
# Parameter containing:
# tensor([[0.3398, 0.5239, 0.7981],
# [0.7718, 0.0112, 0.8100],
# [0.6397, 0.9743, 0.8300]], requires_grad=True)
for name, param in net.named_parameters():
print(name, param.size())
# param1 torch.Size([3, 3])
# submodule1.weight torch.Size([4, 3])
# submodule1.bias torch.Size([4])
for name, submodel in net.named_modules():
print(name, submodel)
# Net(
# (submodule1): Linear(in_features=3, out_features=4, bias=True)
# )
# submodule1 Linear(in_features=3, out_features=4, bias=True)
# （3）_buffers:缓存，------------------
# 如batchnorm使用momentum机制，每次前向传播需用到上一次前向传播的结果
# batchNorm1d是对小批量进行批标准化操作，在每个小批量数据中
# 计算输入各个维度的均值和标准差
# --在训练时--，该层计算每次输入的均值和方差，并进行移动平均，移动平均默认的动量值为0.1
# --在验证时--，训练求得的均值/方差用于标准化验证数据
# num_features:来自期望输入的特征数
# eps，为保证数值稳定性（分母不能趋近或取0），给分母加上值，默认为1e-5
# momentum:动态均值和动态方差所使用的动量，默认为0.1
# affine,一个布尔值，当设为true，该给层添加可学习的仿射变换参数
bn = nn.BatchNorm1d(2) # 批量规范化，2是输入的特征维度
input = t.rand(3, 2)
print(input)
# tensor([[0.4452, 0.0193],
# [0.2616, 0.7713],
# [0.3785, 0.9980]])
output = bn(input)
print(bn._buffers) # 缓存作用
# OrderedDict([('running_mean', tensor([0.0362, 0.0596])),# 输入平均值
# ('running_var', tensor([0.9009, 0.9262])),#输入方差
# ('num_batches_tracked', tensor(1))])
# nn.Module在实际使用中可能层层嵌套，一个Module包含若干个子module，
# 每个子module又包含了更多的子module，
# 为方便用户访问各个子module，nn.Module实现了很多方法，如函数children可以查看直接子module
# 函数module可以查看所有的子module(包括当前module),
# 与之相对应的还有函数named_children和named_modules,
# 其能够在返回module列表的同时返回它们的名字
# ---(4)training:BatchNorm和Dropout层在训练阶段和测试阶段中采取的策略不同，-----------
# 通过判断training值来决定前向传播策略
input = t.arange(0, 12).view(3, 4)
print(input)
model = nn.Dropout()
# 在训练阶段，会有一半左右的数被随机置为0
# model(input)
model.training = False
# 在测试阶段，dropout什么都不做
model(input)
# tensor([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]])
# 对于batchnorm,dropout,instancenorm等在训练阶段和测试阶段行为差异巨大的层
# 如果测试中不将其training值设为True,可能会有很大影响。
print(net.training, net.submodule1.training) # True True
net.eval()
print(net.training, net.submodule1.training) # False False
print(list(net.named_modules()))
# [('', Net(
# (submodule1): Linear(in_features=3, out_features=4, bias=True)
# )), ('submodule1', Linear(in_features=3, out_features=4, bias=True))]
# (4——----（5）backward_hooks与__forward_hooks:钩子技术，用来提取中间变量，类似于variable的hook
# register_forward_hook与register_backward_hook，这两个函数功能类似于variable函数
# 的register_hook,可在module前向传播或反向传播时注册钩子，每次前向传播执行结束后悔执行钩子函数（hook)
# 前向传播的钩子函数具有如下形式，hook(module,input,output)->None,
# 反向传播如下形式：hook(module,grad_input,grad_output)->Tensor or None
# 钩子函数不应该修改输入和输出，并且在使用后应及时删除，以避免每次都运行钩子增加运行负载
# 钩子函数主要用在获取某些中间结果的情景，如中间某一层的输出或某一层的梯度，
# 这些结果本应写在forward函数中，但如果forward函数中专门加上这些处理，可能会使处理逻辑比较复杂
# 假设，有一个预训练好的模型，需要提取模型的某一层（不是最后一层）的输出作为特征进行分类
# 但有不希望修改其原有的模型定义文件，这时就可以利用钩子函数，下面为实现的伪代码
# mode# l=VGG()
# feat# ures=t.Tensor()
# def # hook(module,input,output):
# """把这层的输出拷贝到features"""
# features.copy_(output.data)
# handle=model.layer8.register+forward_hook(hook)
# _=model(input)
# 用完hook删除
# handle.remove()
# --------setatter和getattr函数------------------
# nn.Module实现了自定义的__setattr__函数，当执行module.name=value时，
# 会在__setattr__中判断value是否为Parameter或者nn.Module对象，
# 如果是则将这些对象加到_parameters和modules两个字典中，而如果是其他类型的对象
# 如variable\list\dict等，则调用默认的操作，将这个值保存在__dict__中
module = nn.Module()
module.param = nn.Parameter(t.ones(2, 2))
print(module._parameters)
# OrderedDict([('param', Parameter containing:
# tensor([[1., 1.],
# [1., 1.]], requires_grad=True))])
submodule1 = nn.Linear(2, 2)
submodule2 = nn.Linear(2, 2)
module_list = [submodule1, submodule2]
# 对于List对象，调用building函数，保存在__dict__中
module.submodules = module_list
print('_modules:', module._modules)
print("__dict__['submodules']:", module.__dict__.get('submodules'))
# _modules: OrderedDict()
# __dict__['submodules']:
# [Linear(in_features=2, out_features=2, bias=True),
# Linear(in_features=2, out_features=2, bias=True)]
module_list = nn.ModuleList(module_list) # 开始嵌套
module.submodules = module_list
# isinstance()函数，Python内置函数，用来判断一个函数是否为一个已知的类型
print('ModuleList is instance of nn.Module:', isinstance(module_list, nn.Module))
print('_modules:', module._modules)
print("__dict__['submodules']:", module.__dict__.get('submodules'))
# ModuleList is instance of nn.Module: True
# _modules: OrderedDict([('submodules', ModuleList(
# (0): Linear(in_features=2, out_features=2, bias=True)
# (1): Linear(in_features=2, out_features=2, bias=True)
# ))])
# __dict__['submodules']: None
# 因为_modules和_parameters中的item为保存在__dict__中,所以默认的getatter方法无法获取它，
# 因为nn.Module实现了自定义__getatter__方法，如果磨人的getatter无法处理
# 就调用自定义的__getatter__方法，尝试从_modules\_parameters\_buffers这三个字典中获取
print(getattr(module, 'training')) # 等价于module.training
# True
# ---------------4.6 nn和auotgrad的关系----------
# nn.Module利用的autograd技术，其主要工作实现前向传播，
# 在forward函数中，nn.Module对输入的tensor进行的各种操作，本质是用autograd技术
# autograd.Function和nn.Module之间的区别：
# （1）autograd.Function利用了Tensor对autograd技术的拓展，为autogtad实现了新的运算op,
# 不仅要实现前向传播还要手动实现反向传播
# （2）nn.Module利用了autograd技术，对nn的功能进行拓展，实现了深度学习中的更多层，
# 只需实现前向传播功能，autograd会自动实现反向传播
# （3）nn.functional是一些autograd操作的集合，是经过封装的函数
# 作为两大类的选取，如果某一个操作在autograd尚未支持，那么只能实现Function接口对应的前向传播和反向传播
# 如果某些利用autograd接口比较复杂，可以利用Funtion将多个操作聚合，实现优化
# 如果只是想在深度学习中增加某一层，使用nn.Module进行封装则更为简单高效
# ---------------------------4.7 搭建ReSet-深度残差网络-------------------------------------------------------
# 考虑到Residual block和layer出现了多次，将其实现为一个子Module或函数，这里将Residual block
# 实现为一个子Module，而将Layer实现为一个函数，
# 跨层直连的shortcut
# ResNet中将一个跨层直连的单元称为Residual block
# 拥有多个Residual block单元的结构称之为layer，这里的layer是几个层的集合
# 下面为实现代码，规律总结如下：
# 1、对于模型中重复部分，实现为子Module或用函数生成相应的module make_layer
# 2、nn.Functianal和nn.Module结合使用
# 3、尽量使用nn.Sequrntial
from torch import nn
import torch as t
from torch.nn import functional as F
class ResidualBlock(nn.Module): # 继承基类nn.Module
"""实现子module:Residual Block"""
# 输入通道，输出通道，步长
def __init__(self, inchannel, outchannel, stride=1, shortcut=None):
super(ResidualBlock, self).__init__() # 构造函数初始化
self.left = nn.Sequential(
# 输入通道，输出通道，卷积核大小，步长，不学习参数偏差bias
nn.Conv2d(inchannel, outchannel, 3, stride, 1, bias=None),
nn.BatchNorm2d(outchannel), # 批量规范化，计算平均值及标准差
# 参数inplace=True，将会改变输入的数据，否则不会改变原输入，只会产生新的输出
nn.ReLU(inplace=True),
# 卷积层参数，padding图像四周填0的层数；dilation控制卷积核元素点之间的空间距离
# groups分组卷积，默认输出输入的所有通道各为一组
# 如果group=2，输入通道=32，输出通道=48，那么对应要将输入的32个通道分为2个16通道，
# 将输出的通道分为2个24通道，对输出的2个24通道，第一个24通道与输入的第一个16通道进行全卷积
# 第二个24通道与输入的第二个通道进行全卷积
# 卷积核的深度=输入通道数
# 卷积核的数量=输出通道数
# 输出大小计算：输出大小=（输入大小-卷积核大小+2*填充值大小）/步长大小+1
nn.Conv2d(outchannel, outchannel, 3, 1, 1, bias=False),
nn.BatchNorm2d(outchannel) # 批量规范化
)
self.right = shortcut
def forward(self, x):
out = self.left(x)
residual = x if self.right is None else self.right(x)
out += residual
return F.relu(out)
class ResNet(nn.Module): # 继承基类nn.Module
"""实现主Module：ResNet34
ResNet34包含多个layer，每个layer又包含多个residual block
用子moudel实现residual block，用_make_layer函数来实现layer(多个Residual block单元的结构)"""
def __init__(self, num_classes=1000):
super(ResNet, self).__init__()
# 前几层图像转换
self.pre = nn.Sequential(
nn.Conv2d(3, 64, 7, 2, 3, bias=False),
nn.BatchNorm2d(64),
nn.ReLU(inplace=True), # 替换输入值
nn.MaxPool2d(3, 2, 1) # 窗口大小（默认为窗口大小），移动步长，补充0的层数
)
# 重复的layer,分别有3,4,6,3个residual block
self.layer1 = self._make_layer(64, 64, 3)
self.layer2 = self._make_layer(64, 128, 4, stride=2)
self.layer3 = self._make_layer(128, 256, 6, stride=2)
self.layer4 = self._make_layer(256, 512, 3, stride=2)
# 分类用的全连接
self.fc = nn.Linear(512, num_classes)
def _make_layer(self, inchannel, outchannel, block_num, stride=1):
"""构建layer,包含多个residual block"""
shortcut = nn.Sequential(
nn.Conv2d(inchannel, outchannel, 1, stride, bias=False), # 卷积核大小为1，相当于没有
nn.BatchNorm2d(outchannel)
)
layers = [] # append函数会在数组后加上相应的元素
layers.append(ResidualBlock(inchannel, outchannel, stride, shortcut)) # 会修改原值
for i in range(1, block_num):
layers.append(ResidualBlock(outchannel, outchannel))
return nn.Sequential(*layers)
def forward(self, x):
x = self.pre(x)
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
x = F.avg_pool2d(x, 7)
x = x.view(x.size(0), -1)
return self.fc(x)
model = ResNet()
input = t.randn(1, 3, 224, 224)
o = model(input)
print(o)