网页设计师培训网校,网站建立网络优化,书画网站源码,山西网站制作方案参考
4.4 自定义层
深度学习的一个魅力在于神经网络中各式各样的层,例如全连接层和后面章节将要用介绍的卷积层、池化层与循环层。虽然PyTorch提供了大量常用的层,但有时候我们依然希望自定义层。本节将介绍如何使用Module来自定义层,从而可以被重复调用。
4.4.1 不含模型参…参考
4.4 自定义层
深度学习的一个魅力在于神经网络中各式各样的层,例如全连接层和后面章节将要用介绍的卷积层、池化层与循环层。虽然PyTorch提供了大量常用的层,但有时候我们依然希望自定义层。本节将介绍如何使用Module来自定义层,从而可以被重复调用。
4.4.1 不含模型参数的自定义层
我们先介绍如何定义一个不含模型参数的自定义层。
import torch
from torch import nnclass CenteredLayer(nn.Module):def __init__(self, **kwargs):super(CenteredLayer, self).__init__(**kwargs)def forward(self, x):return x - x.mean()layer CenteredLayer()
layer(torch.tensor([1, 2, 3, 4, 5], dtypetorch.float))我们也可以用它来构造更复杂的模型。
net nn.Sequential(nn.Linear(8, 128), CenteredLayer())y net(torch.rand(4, 8))
y.mean().item()4.4.2 含模型参数的自定义层
我们还可以自定义含模型参数的自定义层。其中的模型参数可以通过训练学习。 Parameter类其实是Tensor的子类,如果一个Tensor是Parameter,那么它会自动被添加到模型的参数列表里。所以在自定义含模型参数的层时,我们应该将参数定义成Parameter,除了像4.2.1节那样直接定义成Parameter类外还可以使用ParameterList和ParameterDict分别定义参数的列表和字典。
ParameterList接收一个Parameter实例的列表作为输入然后得到一个参数列表使用的时候可以用索引来访问某个参数另外也可以使用append和extend在列表后面新增参数。
class MyDense(nn.Module):def __init__(self):super(MyDense, self).__init__()self.params nn.ParameterList([nn.Parameter(torch.randn(4, 4)) for i in range(3)])self.params.append(nn.Parameter(torch.randn(4, 1)))def forward(self, x):for i in range(len(self.params)):x torch.mm(x, self.params[i])return xnet MyDense()
print(net)而ParameterDict接收一个Parameter实例的字典作为输入然后得到一个参数字典,然后可以按照字典的规则使用了。
class MyDictDense(nn.Module):def __init__(self):super(MyDictDense, self).__init__()self.params nn.ParameterDict({linear1: nn.Parameter(torch.randn(4, 4)),linear2: nn.Parameter(torch.randn(4, 1))})self.params.update({linear3: nn.Parameter(torch.randn(4, 2))})def forward(self, x, choicelinear1):return torch.mm(x, self.params[choice])net MyDictDense()
print(net)x torch.ones(1, 4)
print(net(x, linear1))
print(net(x, linear2))
print(net(x, linear3))我们也可以使用自定义层构造模型。它和PyTorch的其他层在使用上很类似。
net nn.Sequential(MyDictDense(),MyDictDense()
)
print(net)
print(net(x))
