【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

三要素其实很简单

1. 必须要继承nn.Module这个类，要让PyTorch知道这个类是一个Module
2. 在__init__(self)中设置好需要的组件，比如conv，pooling，Linear，BatchNorm等等
3. 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,DataLoaderclass 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\(5\times 5\),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,

\(output = \frac{input+2\times padding -kernel}{stride}+1\)

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。

\(\frac{10+2\times 0-5}{1}+1=6\) 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\(5\times 5\)的，所以理解为6个\(3\times 5\times 5\)的卷积核，所以不考虑bias的话，参数量是\(3\times 5\times 5\times 6=450\),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。