当代码出Bug时，你需要重写逻辑；当人的情绪出Bug时，你只需要陪伴。
层和块
首先我们回顾一下多层感知机：
import torch
from torch import nn
from torch.nn import functional as F
net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
X = torch.rand(2, 20)
net(X)nn.Sequential定义了一种特殊的 Module，在pytorch中，Module是一个很重要的概念。任何一个层和神经网络，都应该是一个Module的子类。
在下面的代码中，我们从零开始实现上面使用 Sequential定义的 Module。
class MLP(nn.Module):
# 用模型参数声明层。这里，我们声明两个全连接的层
def __init__(self):
# 调用MLP的父类Module的构造函数来执行必要的初始化。
# 这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）
super().__init__()
self.hidden = nn.Linear(20, 256) # 隐藏层
self.out = nn.Linear(256, 10) # 输出层
# 定义模型的前向传播，即如何根据输入X返回所需的模型输出
def forward(self, X):
# 注意，这里我们使用ReLU的函数版本，其在nn.functional模块中定义。
return self.out(F.relu(self.hidden(X)))顺序块
现在我们可以更好的理解Sequential类是如何工作的：
- 将块逐个追加到列表中的函数
- 前向传播函数，用于将输入按追加块的顺序传递给块组成的”链条”
class MySequential(nn.Module):
def __init__(self, *args):
super().__init__()
for idx, module in enumerate(args):
# 这里，module是Module子类的一个实例。我们把它保存在'Module'类的成员
# 变量_modules中。_module的类型是OrderedDict
self._modules[str(idx)] = module
def forward(self, X):
# OrderedDict保证了按照成员添加的顺序遍历它们
for block in self._modules.values():
X = block(X)
return X灵活的计算
当Sequential这个类不能完全满足我们的需求的时候，我们可以使用继承Module类来自己构建神经网络。
优势：
- 在
__init__和forward中可以做大量的自定义的计算
样例：
class FixedHiddenMLP(nn.Module):
def __init__(self):
super().__init__()
# 不计算梯度的随机权重参数。因此其在训练期间保持不变
self.rand_weight = torch.rand((20, 20), requires_grad=False)
self.linear = nn.Linear(20, 20)
def forward(self, X):
X = self.linear(X)
# 使用创建的常量参数以及relu和mm函数
X = F.relu(torch.mm(X, self.rand_weight) + 1)
# 复用全连接层。这相当于两个全连接层共享参数
X = self.linear(X)
# 控制流
while X.abs().sum() > 1:
X /= 2
return X.sum()混合搭配各种组合块的方法：
class NestMLP(nn.Module):
def __init__(self):
super().__init__()
self.net = nn.Sequential(nn.Linear(20, 64), nn.ReLU(),
nn.Linear(64, 32), nn.ReLU())
self.linear = nn.Linear(32, 16)
def forward(self, X):
return self.linear(self.net(X))
chimera = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)参数管理
假设我们已经定义好我们的类了，我们如何访问模型中的参数？
首先我们以一个具有单隐藏层的多层感知机为例：
import torch
from torch import nn
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 1))
X = torch.rand(size=(2, 4))
net(X)参数访问
Sequential就像是一个python列表，我们可以通过下标访问：
print(net[2].state_dict())这里获得上述net中的
nn.Linear(8, 1))
输出：
OrderedDict([('weight', tensor([[-0.0427, -0.2939, -0.1894, 0.0220, -0.1709, -0.1522, -0.0334, -0.2263]])), ('bias', tensor([0.0887]))])目标参数
print(type(net[2].bias))
print(net[2].bias)
print(net[2].bias.data)输出：
<class 'torch.nn.parameter.Parameter'>
Parameter containing:
tensor([0.0887], requires_grad=True)
tensor([0.0887])此时还没有反向传播：
net[2].weight.grad == None输出：
True一次性访问所有参数
print(*[(name, param.shape) for name, param in net[0].named_parameters()])
print(*[(name, param.shape) for name, param in net.named_parameters()])输出：
('weight', torch.Size([8, 4])) ('bias', torch.Size([8]))
('0.weight', torch.Size([8, 4])) ('0.bias', torch.Size([8])) ('2.weight', torch.Size([1, 8])) ('2.bias', torch.Size([1]))通过名字访问：
net.state_dict()['2.bias'].data从嵌套块收集参数
我们定义一个包含嵌套的网络：
def block1():
return nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
nn.Linear(8, 4), nn.ReLU())
def block2():
net = nn.Sequential()
for i in range(4):
# 在这里嵌套
net.add_module(f'block {i}', block1())
return net
rgnet = nn.Sequential(block2(), nn.Linear(4, 1))我们可以打印一下这个模型：
print(rgnet)Sequential(
(0): Sequential(
(block 0): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
(block 1): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
(block 2): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
(block 3): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
)
(1): Linear(in_features=4, out_features=1, bias=True)
)初始化参数
内置初始化
import torch.nn as nn
# 定义一个初始化函数，m 代表网络中的一个层（module）
def init_normal(m):
# 检查当前层是否为全连接层 (Linear)
if type(m) == nn.Linear:
# 使用正态分布初始化权重 (weight)
# mean=0: 均值为 0，std=0.01: 标准差为 0.01
# 注意：带有下划线的函数（如 normal_）表示“原地操作”(in-place)
nn.init.normal_(m.weight, mean=0, std=0.01)
# 将偏置 (bias) 初始化为 0
nn.init.zeros_(m.bias)
# 将定义好的初始化函数递归地应用到网络 net 的每一个子层上
net.apply(init_normal)
# 查看网络第一层 (net[0]) 的初始化结果
# 读取第一个权重的数值和第一个偏置的数值，用于验证初始化是否成功
net[0].weight.data[0], net[0].bias.data[0]我们还可以将所有参数初始化为给定的常数，比如初始化为1。
def init_constant(m):
if type(m) == nn.Linear:
nn.init.constant_(m.weight, 1)
nn.init.zeros_(m.bias)
net.apply(init_constant)
net[0].weight.data[0], net[0].bias.data[0]
我们还可以对不同的层进行不同的初始化：例如，下面我们使用Xavier初始化方法初始化第一个神经网络层， 然后将第三个神经网络层初始化为常量值42。
def init_xavier(m):
if type(m) == nn.Linear:
nn.init.xavier_uniform_(m.weight)
def init_42(m):
if type(m) == nn.Linear:
nn.init.constant_(m.weight, 42)
net[0].apply(init_xavier)
net[2].apply(init_42)
print(net[0].weight.data[0])
print(net[2].weight.data)自定义初始化
有时，深度学习框架没有提供我们需要的初始化方法。 在下面的例子中，我们使用以下的分布为任意权重参数定义初始化方法：
import torch.nn as nn
# 定义自定义初始化函数
def my_init(m):
# 只针对全连接层 (Linear) 进行处理
if type(m) == nn.Linear:
# 打印当前层的初始化信息
# m.named_parameters() 返回参数名和张量的迭代器
# [0] 获取第一个参数（通常是 'weight'），* 用于解包元组进行打印
print("Init", *[(name, param.shape)
for name, param in m.named_parameters()][0])
# 步骤 1: 将权重初始化为 [-10, 10] 之间的均匀分布
nn.init.uniform_(m.weight, -10, 10)
# 步骤 2: 应用自定义掩码（逻辑过滤）
# m.weight.data.abs() >= 5 会生成一个布尔张量（True/False）
# 与原数据相乘时，True 视为 1.0，False 视为 0.0
# 结果：保留绝对值大于等于 5 的权重，其余全部变为 0
m.weight.data *= m.weight.data.abs() >= 5
# 将该初始化函数应用到整个网络 net 上
net.apply(my_init)
# 打印网络第一层的前两行权重权重，以验证“绝对值 < 5 的元素已置零”的效果
net[0].weight[:2]我们也可以直接设置参数：
net[0].weight.data[:] += 1
net[0].weight.data[0, 0] = 42
net[0].weight.data[0]参数绑定
有时我们希望在多个层间共享参数： 我们可以定义一个稠密层，然后使用它的参数来设置另一个层的参数。
# 我们需要给共享层一个名称，以便可以引用它的参数
shared = nn.Linear(8, 8)
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
shared, nn.ReLU(),
shared, nn.ReLU(),
nn.Linear(8, 1))
net(X)
# 检查参数是否相同
print(net[2].weight.data[0] == net[4].weight.data[0])
net[2].weight.data[0, 0] = 100
# 确保它们实际上是同一个对象，而不只是有相同的值
print(net[2].weight.data[0] == net[4].weight.data[0])tensor([True, True, True, True, True, True, True, True])
tensor([True, True, True, True, True, True, True, True])自定义层
自定义一个神经网络层和自定义一个网络其实没有本质区别，它们都是Module的子类：
import torch
import torch.nn.functional as F
from torch import nn
class CenteredLayer(nn.Module):
def __init__(self):
super().__init__()
def forward(self, X):
return X - X.mean()自定义层可以作为组件构建到更复杂的模型中：
net = nn.Sequential(nn.Linear(8, 128), CenteredLayer())读写文件
加载保存张量
保存张量：
import torch
from torch import nn
from torch.nn import functional as F
x = torch.arange(4)
torch.save(x, 'x-file')读取张量：
x2 = torch.load('x-file')存取张量列表：
y = torch.zeros(4)
torch.save([x, y],'x-files')
x2, y2 = torch.load('x-files')
(x2, y2)张量字典：
mydict = {'x': x, 'y': y}
torch.save(mydict, 'mydict')
mydict2 = torch.load('mydict')
mydict2加载保存模型参数
深度学习框架提供了内置函数来保存和加载整个网络。需要注意的是：这将保存模型的参数而不是保存整个模型。
为了恢复模型，我们需要用代码生成架构，然后从磁盘加载参数。以一个MLP为例：
class MLP(nn.Module):
def __init__(self):
super().__init__()
self.hidden = nn.Linear(20, 256)
self.output = nn.Linear(256, 10)
def forward(self, x):
return self.output(F.relu(self.hidden(x)))
net = MLP()
X = torch.randn(size=(2, 20))
Y = net(X)我们可以通过stae_dict()，来获取模型的所有参数并保存：
torch.save(net.state_dict(), 'mlp.params');恢复模型：
clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()MLP(
(hidden): Linear(in_features=20, out_features=256, bias=True)
(output): Linear(in_features=256, out_features=10, bias=True)
)GPU
安装好NVIDIA驱动和CUDA后，我们可以通过命令来查看GPU的状态：
!nvidia-smi计算设备
在pytorch中，我们使用如下方式来指定计算设备：
import torch
from torch import nn
torch.device('cpu'), torch.device('cuda'), torch.device('cuda:1')(device(type='cpu'), device(type='cuda'), device(type='cuda', index=1))我们可以查询gpu的数量：
torch.cuda.device_count()我们可以定义两个方便的函数，在多GPU/无GPU环境下，运行代码：
def try_gpu(i=0): #@save
"""如果存在，则返回gpu(i)，否则返回cpu()"""
if torch.cuda.device_count() >= i + 1:
return torch.device(f'cuda:{i}')
return torch.device('cpu')
def try_all_gpus(): #@save
"""返回所有可用的GPU，如果没有GPU，则返回[cpu(),]"""
devices = [torch.device(f'cuda:{i}')
for i in range(torch.cuda.device_count())]
return devices if devices else [torch.device('cpu')]
try_gpu(), try_gpu(10), try_all_gpus()张量与GPU
我们可以查询张量所在的设备。默认情况下，张量是在CPU上创建的：
无论何时我们要对多个项进行操作，它们都必须在同一个设备上。
有几种方法可以在GPU上存储张量：
-
在创建张量时指定存储设备：
X = torch.ones(2, 3, device=try_gpu()) -
把张量复制到指定设备：
Z = X.cuda(1)
神经网络与GPU
类似地，神经网络模型可以指定设备。下面的代码将模型参数放在GPU上：
net = nn.Sequential(nn.Linear(3, 1))
net = net.to(device=try_gpu())