@[toc]

1. 网络模型创建步骤

机器学习模型训练主要分为以下5个步骤，今天主要学习其中的模型部分

在这里插入图片描述

• 模型创建步骤

  
  在这里插入图片描述
• 模型构建两要素：构建子模块，拼接子模块
  • 构建子模块在init()函数中实现
  • 拼接子模块在forward()函数中实现

2. nn.Module

nn.torch是pytorch中神经网络模块，其中包含如下比较重要的四个子模块：

• nn.Parameter：张量子类，表示可学习参数，如weight, bias

• nn.Module：所有网络层基类，管理网络属性

• nn.functional：函数具体实现，如卷积，池化，激活函数等

• nn.init：参数初始化方法。

• nn.Module中有8个重要的属性来管理网络层基类

  • parameters:存储管理nn.Parameter类
  • modules：存储管理nn.Module类
  • buffers：存储管理缓冲属性，如BN层中的running_mean

  • ***_hooks：存储管理钩子函数

    
    在这里插入图片描述
    

    nn.Module 总结

• 一个module可以包含多个子module

• 一个module相当于一个运算，必须实现forward()函数

• 每个module都有8个字典管理它的属性

3. 模型容器Containers

• Containers

  • nn.Sequetial:按顺序包装多个网络层，顺序性，常用于block构建
  • nn.ModuleList:像python的list一样包装多个网络层，迭代性，常用于大量重复网构建，通过for循环实现重复构建
  • nn.ModuleDict:像python的dict一样包装多个网络层，索引性，常用于可选择的网络层

• nn.Sequential是nn.module的容器，用于按顺序包装一组网络层

  • 顺序性：各网络层之间严格按照顺序构建
  • 自带forward():自带的forward里，通过for循环一次执行前向传播运算

• nn.ModuleList是nn.module的容器，用于包装一组网络层，以迭代方式调用网络层。主要方法：

  • append()：在ModuleList后面添加网络层
  • extend()：拼接两个ModuleList
  • insert()：指定ModuleList中位置插入网络层

class ModuleList(nn.Module):
    def __init__(self):
        super(ModuleList, self).__init__()
        self.linears = nn.ModuleList([nn.Linear(10, 10) for i in range(20)])
    
    def forward(self, x):
        for i, linear in enumerate(self.linears):
            x = linears(x)
        return x

net = ModuleList()

• nn.ModuleDict是nn.module的容器，用于包装一组网络层，以索引方式调用网络层，主要方法：
  • clear（）：清空ModuleDict
  • items（）：返回可迭代的键值对（key-value pairs）
  • keys（）：返回字典的键（key）
  • values（）：返回字典的值（value）
  • pop（）：返回一对键值，并从字典中删除

class ModuleDict(nn.Module):
    def __init__(self):
        super(ModuleDict, self).__init__()
        self.choices = nn.ModuleDict({
            'conv' : nn.Conv2d(10, 10, 3),
            'pool' : nn.MaxPool2d(3)
            })
        self.activations = nn.ModuleDict({
            'relu' : nn.ReLU(),
            'prelu' : nn.PReLU()
            })
    def forward(self, c, choice, act):
        x = self.choices[choice](x)
        x = self.activations[act](x)
        return x

net = ModuleDict()

fake_img = torch.randn((4, 10, 32, 32)) # 模拟数据

output = net(fake_img, 'conv', 'prelu')

print(output)

4. AlexNet网络构建

• AlexNet特点：
  1. 采用ReLU：替换饱和激活函数，减轻梯度消失
  2. 采用LRN（Local Response Normalization）：对数据归一化，减轻梯度消失
  3. Dropout：提高全连接层的鲁棒性，增加网络的泛化能力

  4. Data Augmentation ：TenCrop， 色彩修改

     
     在这里插入图片描述
     

     代码如下所示：

class AlexNet(nn.Module):

    def __init__(self, num_classes=1000):
        super(AlexNet, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(64, 192, kernel_size=5, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(192, 384, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(384, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(256, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
        )
        self.avgpool = nn.AdaptiveAvgPool2d((6, 6))
        self.classifier = nn.Sequential(
            nn.Dropout(),
            nn.Linear(256 * 6 * 6, 4096),
            nn.ReLU(inplace=True),
            nn.Dropout(),
            nn.Linear(4096, 4096),
            nn.ReLU(inplace=True),
            nn.Linear(4096, num_classes),
        )

    def forward(self, x):
        x = self.features(x)
        x = self.avgpool(x)
        x = torch.flatten(x, 1)
        x = self.classifier(x)
        return x