文章轉載自微信公衆號：機器學習煉丹術。歡迎大家關注，這是我的學習分享公衆號，100+原創乾貨。
文章目錄：
本文是對一些函數的學習。函數主要包括下面四個方便：
- 模型構建的函數：
add_module,add_module,add_module - 訪問子模塊：
add_module,add_module,add_module，add_module - 網絡遍歷：
add_module,add_module - 模型的保存與加載：
add_module,add_module,add_module
1 模型構建函數
torch.nn.Module是所有網絡的基類，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絡模塊，然後把這個小模塊作爲另外一個網絡的組件。因此網絡結構是呈現樹狀結構。
我們先簡單定義一個網絡：
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，依次調用這兩個卷積層實現網絡的功能。
1.1 add_module
這種是最常見的定義網絡的功能，在有些項目中，會看到這樣的方法add_module。我們用這個方法來重寫上面的網絡：
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，個人感覺也許是因爲add_module可以使用字符串來定義變量名字，所以可以放在循環中？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添加layer，如果網絡複雜的話，那就需要寫很多重複的代碼了。因此接下來來講解一下網絡模塊的構建,torch.nn.ModuleList和torch.nn.Sequential
1.2 ModuleList
ModuleList按照字面意思是用list的形式保存網絡層的。這樣就可以先將網絡需要的layer構建好，保存到一個list，然後通過ModuleList方法添加到網絡中.
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文件來構建網絡模型中的，下面用VGG模型的構建爲例子：
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)
先讀取網絡結構的配置文件vgg_cfg然後根據這個文件創建對應的Layer list，然後使用ModuleList添加到網絡中，這樣可以快速創建不同的網絡（用上面爲例子的話，可以通過修改配置文件，然後快速修改網絡結構 ）
1.3 Sequential
在一些自己做的小項目中，Sequential其實用的更爲頻繁。
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)
運行結果：
觀察細緻的朋友可以發現這個問題，Seqential內的網絡層是默認用數字進行標號的，而一開始我們使用self.conv1和self.conv2的時候，使用conv1和conv2作爲標號的。
我們如何修改Sequential中網絡層的名稱呢？這裏需要使用到collections.OrderedDict有序字典。Sequential是支持有序字典構建的。
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
- 單獨增加一個網絡層或者子模塊，可以用
add_module或者直接賦予屬性； ModuleList可以將一個Module的List增加到網絡中，自由度較高。Sequential按照順序產生一個Module模塊。這裏推薦習慣使用OrderedDict的方法進行構建。對網絡層加上規範的名稱，這樣有助於後續查找與遍歷
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。 ）
先定義一個網絡吧，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參數的時候，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)
運行結果：
上面那個網絡構建的時候用到了Sequential，所以網絡中其實是嵌套了一個小的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，也就是整個網絡，
0-Model整個網絡模塊； 1-2-3-4是網絡的四個子模塊，4-Sequential中間仍然包含子模塊5-6-7是模塊4-Sequential的子模塊。
【總結】
modules()是遞歸的返回網絡的各個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())
運行結果：
輸出的是四個卷積層的權重矩陣參數和偏置參數。值得一提的是，對網絡進行訓練時需要將parameters()作爲優化器optimizer的參數。
optimizer = torch.optim.SGD(net.parameters(),
lr = 0.001,
momentum=0.9)
總之呢，這個parameters()是返回網絡所有的參數，主要用在給optimizer優化器用的。而要對網絡的某一層的參數做處理的時候，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：
【小擴展】
我個人有時會使用下面的方法來獲取參數：
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，然後獲取其參數，輸出結果：
3 保存與載入
PyTorch使用torch.save和torch.load方法來保存和加載網絡，而且網絡結構和參數可以分開的保存和加載。
torch.save(model,'model.pth') # 保存
model = torch.load("model.pth") # 加載
pytorch中網絡結構和模型參數是可以分開保存的。上面的方法是兩者同時保存到了.pth文件中，當然，你也可以僅僅保存網絡的參數來減小存儲文件的大小。注意：如果你僅僅保存模型參數，那麼在載入的時候，是需要通過運行代碼來初始化模型的結構的。
torch.save(model.state_dict(),"model.pth") # 保存參數
model = MyNet() # 代碼中創建網絡結構
params = torch.load("model.pth") # 加載參數
model.load_state_dict(params) # 應用到網絡結構中
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~