神经网络的典型处理如下所示：
1. 定义可学习参数的网络结构（堆叠各层和层的设计）；
2. 数据集输入；
3. 对输入进行处理（由定义的网络层进行处理）,主要体现在网络的前向传播；
4. 计算loss ，由Loss层计算；
5. 反向传播求梯度；
6. 根据梯度改变参数值,最简单的实现方式（SGD）为:
weight = weight - learning_rate * gradient
下面是利用PyTorch定义深度网络层（Op）示例：
class FeatureL2Norm(torch.nn.Module):def __init__(self):super(FeatureL2Norm, self).__init__()def forward(self, feature):epsilon = 1e-6
# print(feature.size())
# print(torch.pow(torch.sum(torch.pow(feature,2),1)+epsilon,0.5).size())norm = torch.pow(torch.sum(torch.pow(feature,2),1)+epsilon,0.5).unsqueeze(1).expand_as(feature)return torch.div(feature,norm)class FeatureRegression(nn.Module):def __init__(self, output_dim=6, use_cuda=True):super(FeatureRegression, self).__init__()self.conv = nn.Sequential(nn.Conv2d(225, 128, kernel_size=7, padding=0),nn.BatchNorm2d(128),nn.ReLU(inplace=True),nn.Conv2d(128, 64, kernel_size=5, padding=0),nn.BatchNorm2d(64),nn.ReLU(inplace=True),)self.linear = nn.Linear(64 * 5 * 5, output_dim)if use_cuda:self.conv.cuda()self.linear.cuda()def forward(self, x):x = self.conv(x)x = x.view(x.size(0), -1)x = self.linear(x)return x由上例代码可以看到，不论是在定义网络结构还是定义网络层的操作（Op），均需要定义forward函数，下面看一下PyTorch官网对PyTorch的forward方法的描述：
那么调用forward方法的具体流程是什么样的呢？具体流程是这样的：
以一个Module为例：
1. 调用module的call方法
2. module的call里面调用module的forward方法
3. forward里面如果碰到Module的子类，回到第1步，如果碰到的是Function的子类，继续往下
4. 调用Function的call方法
5. Function的call方法调用了Function的forward方法。
6. Function的forward返回值
7. module的forward返回值
8. 在module的call进行forward_hook操作，然后返回值。
上述中“调用module的call方法”是指nn.Module 的__call__方法。定义__call__方法的类可以当作函数调用，具体参考Python的面向对象编程。也就是说，当把定义的网络模型model当作函数调用的时候就自动调用定义的网络模型的forward方法。nn.Module 的__call__方法部分源码如下所示：
def __call__(self, *input, **kwargs):result = self.forward(*input, **kwargs)for hook in self._forward_hooks.values():#将注册的hook拿出来用hook_result = hook(self, input, result)...return result可以看到，当执行model(x)的时候，底层自动调用forward方法计算结果。具体示例如下：
class LeNet(nn.Module):def __init__(self):super(LeNet, self).__init__()layer1 = nn.Sequential()layer1.add_module('conv1', nn.Conv(1, 6, 3, padding=1))layer1.add_moudle('pool1', nn.MaxPool2d(2, 2))self.layer1 = layer1layer2 = nn.Sequential()layer2.add_module('conv2', nn.Conv(6, 16, 5))layer2.add_moudle('pool2', nn.MaxPool2d(2, 2))self.layer2 = layer2layer3 = nn.Sequential()layer3.add_module('fc1', nn.Linear(400, 120))layer3.add_moudle('fc2', nn.Linear(120, 84))layer3.add_moudle('fc3', nn.Linear(84, 10))self.layer3 = layer3def forward(self, x):x = self.layer1(x)x = self.layer2(x)x = x.view(x.size(0), -1)x = self.layer3(x)return xmodel = LeNet()
y = model(x)
如上则调用网络模型定义的forward方法。
如果您觉得我的文章对您有所帮助，欢迎扫码进行赞赏！
参考：
1. pytorch学习笔记（九）：PyTorch结构介绍
2. pytorch学习笔记（七）：pytorch hook 和 关于pytorch backward过程的理解
3. Pytorch入门学习（三）：Neural Networks
本文链接：https://my.lmcjl.com/post/1927.html
展开阅读全文
4 评论