共计 4242 个字符，预计需要花费 11 分钟才能阅读完成。
文章和代码曾经归档至【Github 仓库：https://github.com/timerring/dive-into-AI】或者公众号【AIShareLab】回复 pytorch 教程 也可获取。
模型创立与 nn.Module
创立网络模型通常有 2 个因素：
- 构建子模块
- 拼接子模块
–
class LeNet(nn.Module):
# 子模块创立
def __init__(self, classes):
super(LeNet, 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, classes)
# 子模块拼接
def forward(self, x):
out = F.relu(self.conv1(x))
out = F.max_pool2d(out, 2)
out = F.relu(self.conv2(out))
out = F.max_pool2d(out, 2)
out = out.view(out.size(0), -1)
out = F.relu(self.fc1(out))
out = F.relu(self.fc2(out))
out = self.fc3(out)
return out调用 net = LeNet(classes=2) 创立模型时，会调用 __init__() 办法创立模型的子模块。
训练调用 outputs = net(inputs) 时，会进入 module.py 的call()函数中：
def __call__(self, *input, **kwargs):
for hook in self._forward_pre_hooks.values():
result = hook(self, input)
if result is not None:
if not isinstance(result, tuple):
result = (result,)
input = result
if torch._C._get_tracing_state():
result = self._slow_forward(*input, **kwargs)
else:
result = self.forward(*input, **kwargs)
...
...
...最终会调用 result = self.forward(*input, **kwargs) 函数，该函数会进入模型的 forward() 函数中，进行前向流传。
在 torch.nn中蕴含 4 个模块，如下图所示。
本次重点就在于 nn.Model 的解析：
nn.Module
nn.Module 有 8 个属性，都是 OrderDict(有序字典) 的构造。在 LeNet 的 __init__() 办法中会调用父类 nn.Module 的__init__()办法，创立这 8 个属性。
def __init__(self):
"""Initializes internal Module state, shared by both nn.Module and ScriptModule."""
torch._C._log_api_usage_once("python.nn_module")
self.training = True
self._parameters = OrderedDict()
self._buffers = OrderedDict()
self._backward_hooks = OrderedDict()
self._forward_hooks = OrderedDict()
self._forward_pre_hooks = OrderedDict()
self._state_dict_hooks = OrderedDict()
self._load_state_dict_pre_hooks = OrderedDict()
self._modules = OrderedDict()- _parameters 属性：存储管理 nn.Parameter 类型的参数
- _modules 属性：存储管理 nn.Module 类型的参数
- _buffers 属性：存储管理缓冲属性，如 BN 层中的 running_mean
- 5 个 *_hooks 属性：存储管理钩子函数
LeNet 的 __init__() 中创立了 5 个子模块，nn.Conv2d()和 nn.Linear() 都继承于nn.module，即一个 module 都是蕴含多个子 module 的。
class LeNet(nn.Module):
# 子模块创立
def __init__(self, classes):
super(LeNet, 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, classes)
...
...
...当调用 net = LeNet(classes=2) 创立模型后，net对象的 modules 属性就蕴含了这 5 个子网络模块。
上面看下每个子模块是如何增加到 LeNet 的 _modules 属性中的。以self.conv1 = nn.Conv2d(3, 6, 5) 为例，当咱们运行到这一行时，首先 Step Into 进入 Conv2d的结构，而后 Step Out。右键 Evaluate Expression 查看 nn.Conv2d(3, 6, 5) 的属性。
下面说了 Conv2d 也是一个 module，外面的 _modules 属性为空，_parameters属性里蕴含了该卷积层的可学习参数，这些参数的类型是 Parameter，继承自 Tensor。
此时只是实现了 nn.Conv2d(3, 6, 5) module 的创立。还没有赋值给self.conv1。 在nn.Module里有一个机制，会拦挡所有的类属性赋值操作 (self.conv1 是类属性)，进入到 __setattr__() 函数中。咱们再次 Step Into 就能够进入__setattr__()。
def __setattr__(self, name, value):
def remove_from(*dicts):
for d in dicts:
if name in d:
del d[name]
params = self.__dict__.get('_parameters')
if isinstance(value, Parameter):
if params is None:
raise AttributeError("cannot assign parameters before Module.__init__() call")
remove_from(self.__dict__, self._buffers, self._modules)
self.register_parameter(name, value)
elif params is not None and name in params:
if value is not None:
raise TypeError("cannot assign'{}'as parameter'{}'""(torch.nn.Parameter or None expected)"
.format(torch.typename(value), name))
self.register_parameter(name, value)
else:
modules = self.__dict__.get('_modules')
if isinstance(value, Module):
if modules is None:
raise AttributeError("cannot assign module before Module.__init__() call")
remove_from(self.__dict__, self._parameters, self._buffers)
modules[name] = value
elif modules is not None and name in modules:
if value is not None:
raise TypeError("cannot assign'{}'as child module'{}'""(torch.nn.Module or None expected)"
.format(torch.typename(value), name))
modules[name] = value
...
...
...在这里判断 value 的类型是 Parameter 还是Module，存储到对应的有序字典中。
这里 nn.Conv2d(3, 6, 5) 的类型是Module，因而会执行modules[name] = value，key 是类属性的名字conv1，value 就是nn.Conv2d(3, 6, 5)。
总结
- 一个 module 里可蕴含多个子 module。比方 LeNet 是一个 Module，外面包含多个卷积层、池化层、全连贯层等子 module
- 一个 module 相当于一个运算，必须实现 forward() 函数
- 每个 module 都有 8 个字典治理本人的属性
