文章轉載自微信公眾號：機器學習煉丹術。歡迎大家關注，這是我的學習分享公眾號，100+原創乾貨。
文章目錄：
本文是對一些函式的學習。函式主要包括下面四個方便：
- 模型構建的函式：
add_module,add_module,add_module - 訪問子模組：
add_module,add_module,add_module，add_module - 網路遍歷：
add_module,add_module - 模型的儲存與載入：
add_module,add_module,add_module
1 模型構建函式
torch.nn.Module是所有網路的基類，在PyTorch實現模型的類中都要繼承這個類（這個在之前的課程中已經提到）。在構建Module中，Module是一個包含其他的Module的，類似於，你可以先定義一個小的網路模組，然後把這個小模組作為另外一個網路的元件。因此網路結構是呈現樹狀結構。
我們先簡單定義一個網路：
import torch.nn as nn
import torch
class MyNet(nn.Module):
def __init__(self):
super(MyNet,self).__init__()
self.conv1 = nn.Conv2d(3,64,3)
self.conv2 = nn.Conv2d(64,64,3)
def forward(self,x):
x = self.conv1(x)
x = self.conv2(x)
return x
net = MyNet()
print(net)
輸出結果：
MyNet中有兩個屬性conv1和conv2是兩個卷積層，在正向傳播forward的過程中，依次呼叫這兩個卷積層實現網路的功能。
1.1 add_module
這種是最常見的定義網路的功能，在有些專案中，會看到這樣的方法add_module。我們用這個方法來重寫上面的網路：
class MyNet(nn.Module):
def __init__(self):
super(MyNet,self).__init__()
self.add_module('conv1',nn.Conv2d(3,64,3))
self.add_module('conv2',nn.Conv2d(64,64,3))
def forward(self,x):
x = self.conv1(x)
x = self.conv2(x)
return x
其實add_module(name,layer)和self.name=layer實現了相同的功能，個人感覺也許是因為add_module可以使用字串來定義變數名字，所以可以放在迴圈中？反正這個先了解熟悉熟悉。
上面的兩種方法都是一層一層的新增layer，如果網路複雜的話，那就需要寫很多重複的程式碼了。因此接下來來講解一下網路模組的構建,torch.nn.ModuleList和torch.nn.Sequential
1.2 ModuleList
ModuleList按照字面意思是用list的形式儲存網路層的。這樣就可以先將網路需要的layer構建好，儲存到一個list，然後通過ModuleList方法新增到網路中.
class MyNet(nn.Module):
def __init__(self):
super(MyNet,self).__init__()
self.linears = nn.ModuleList(
[nn.Linear(10,10) for i in range(5)]
)
def forward(self,x):
for l in self.linears:
x = l(x)
return x
net = MyNet()
print(net)
輸出結果是：
這個ModuleList主要是用在讀取config檔案來構建網路模型中的，下面用VGG模型的構建為例子：
vgg_cfg = [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'C', 512, 512, 512, 'M',
512, 512, 512, 'M']
def vgg(cfg, i, batch_norm=False):
layers = []
in_channels = i
for v in cfg:
if v == 'M':
layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
elif v == 'C':
layers += [nn.MaxPool2d(kernel_size=2, stride=2, ceil_mode=True)]
else:
conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)
if batch_norm:
layers += [conv2d, nn.BatchNorm2d(v), nn.ReLU(inplace=True)]
else:
layers += [conv2d, nn.ReLU(inplace=True)]
in_channels = v
return layers
class Model1(nn.Module):
def __init__(self):
super(Model1,self).__init__()
self.vgg = nn.ModuleList(vgg(vgg_cfg,3))
def forward(self,x):
for l in self.vgg:
x = l(x)
m1 = Model1()
print(m1)
先讀取網路結構的配置檔案vgg_cfg然後根據這個檔案建立對應的Layer list，然後使用ModuleList新增到網路中，這樣可以快速建立不同的網路（用上面為例子的話，可以通過修改配置檔案，然後快速修改網路結構 ）
1.3 Sequential
在一些自己做的小專案中，Sequential其實用的更為頻繁。
依然重寫最初最簡單的例子：
class MyNet(nn.Module):
def __init__(self):
super(MyNet,self).__init__()
self.conv = nn.Sequential(
nn.Conv2d(3,64,3),
nn.Conv2d(64,64,3)
)
def forward(self,x):
x = self.conv(x)
return x
net = MyNet()
print(net)
執行結果：
觀察細緻的朋友可以發現這個問題，Seqential內的網路層是預設用數字進行標號的，而一開始我們使用self.conv1和self.conv2的時候，使用conv1和conv2作為標號的。
我們如何修改Sequential中網路層的名稱呢？這裡需要使用到collections.OrderedDict有序字典。Sequential是支援有序字典構建的。
from collections import OrderedDict
class MyNet(nn.Module):
def __init__(self):
super(MyNet,self).__init__()
self.conv = nn.Sequential(OrderedDict([
('conv1',nn.Conv2d(3,64,3)),
('conv2',nn.Conv2d(64,64,3))
]))
def forward(self,x):
x = self.conv(x)
return x
net = MyNet()
print(net)
輸出結果：
1.4 小總結
- 單獨增加一個網路層或者子模組，可以用
add_module或者直接賦予屬性； ModuleList可以將一個Module的List增加到網路中，自由度較高。Sequential按照順序產生一個Module模組。這裡推薦習慣使用OrderedDict的方法進行構建。對網路層加上規範的名稱，這樣有助於後續查詢與遍歷
2 遍歷模型結構
本章節使用下面的方法進行遍歷之前提到的Module。（個人理解，Module是多個layer的合併，但是一個layer可以說成Module。 ）
先定義一個網路吧，隨便寫一個：
import torch.nn as nn
import torch
from collections import OrderedDict
class MyNet(nn.Module):
def __init__(self):
super(MyNet,self).__init__()
self.conv1 = nn.Conv2d(in_channels=3,out_channels=64,kernel_size=3)
self.conv2 = nn.Conv2d(64,64,3)
self.maxpool1 = nn.MaxPool2d(2,2)
self.features = nn.Sequential(OrderedDict([
('conv3', nn.Conv2d(64,128,3)),
('conv4', nn.Conv2d(128,128,3)),
('relu1', nn.ReLU())
]))
def forward(self,x):
x = self.conv1(x)
x = self.conv2(x)
x = self.maxpool1(x)
x = self.features(x)
return x
net = MyNet()
print(net)
輸出結果是：
2.1 modules()
在第四課中初始化模型各個層的引數的時候，用到了這個方法，現在我們再來理解一下：
for idx,m in enumerate(net.modules()):
print(idx,"-",m)
執行結果：
上面那個網路構建的時候用到了Sequential，所以網路中其實是巢狀了一個小的Module，這就是之前提到的樹狀結構,然後上面便利的時候也是樹狀結構的便利過程，可以看出來應該是一個深度遍歷的過程。
- 首先第一個輸出的是最大的那個Module，也就是整個網路，
0-Model整個網路模組； 1-2-3-4是網路的四個子模組，4-Sequential中間仍然包含子模組5-6-7是模組4-Sequential的子模組。
【總結】
modules()是遞迴的返回網路的各個module（深度遍歷），從最頂層直到最後的葉子的module。
2.2 named_modules()
named_modules()和module()類似，只是同時返回name和module。
for idx,(name,m) in enumerate(net.named_modules()):
print(idx,"-",name)
輸出結果：
2.3 parameters()
for p in net.parameters():
print(type(p.data),p.size())
執行結果：
輸出的是四個卷積層的權重矩陣引數和偏置引數。值得一提的是，對網路進行訓練時需要將parameters()作為優化器optimizer的引數。
optimizer = torch.optim.SGD(net.parameters(),
lr = 0.001,
momentum=0.9)
總之呢，這個parameters()是返回網路所有的引數，主要用在給optimizer優化器用的。而要對網路的某一層的引數做處理的時候，一般還是使用named_parameters()方便一些。
for idx,(name,m) in enumerate(net.named_parameters()):
print(idx,"-",name,m.size())
輸出結果：
【小擴充套件】
我個人有時會使用下面的方法來獲取引數：
for idx,(name,m) in enumerate(net.named_modules()):
if isinstance(m,nn.Conv2d):
print(m.weight.shape)
print(m.bias.shape)
先判斷是否是卷積層，然後獲取其引數，輸出結果：
3 儲存與載入
PyTorch使用torch.save和torch.load方法來儲存和載入網路，而且網路結構和引數可以分開的儲存和載入。
torch.save(model,'model.pth') # 儲存
model = torch.load("model.pth") # 載入
pytorch中網路結構和模型引數是可以分開儲存的。上面的方法是兩者同時儲存到了.pth檔案中，當然，你也可以僅僅儲存網路的引數來減小儲存檔案的大小。注意：如果你僅僅儲存模型引數，那麼在載入的時候，是需要通過執行程式碼來初始化模型的結構的。
torch.save(model.state_dict(),"model.pth") # 儲存引數
model = MyNet() # 程式碼中建立網路結構
params = torch.load("model.pth") # 載入引數
model.load_state_dict(params) # 應用到網路結構中
至此，我們今天已經學習了不少的內容，大家對PyTorch的掌握更近一步了呢~