.. _sec_model_construction:
层和块
======
之前首次介绍神经网络时，我们关注的是具有单一输出的线性模型。
在这里，整个模型只有一个输出。 注意，单个神经网络 （1）接受一些输入；
（2）生成相应的标量输出； （3）具有一组相关
*参数*\ （parameters），更新这些参数可以优化某目标函数。
然后，当考虑具有多个输出的网络时， 我们利用矢量化算法来描述整层神经元。
像单个神经元一样，层（1）接受一组输入， （2）生成相应的输出，
（3）由一组可调整参数描述。
当我们使用softmax回归时，一个单层本身就是模型。
然而，即使我们随后引入了多层感知机，我们仍然可以认为该模型保留了上面所说的基本架构。
对于多层感知机而言，整个模型及其组成层都是这种架构。
整个模型接受原始输入（特征），生成输出（预测），
并包含一些参数（所有组成层的参数集合）。
同样，每个单独的层接收输入（由前一层提供），
生成输出（到下一层的输入），并且具有一组可调参数，
这些参数根据从下一层反向传播的信号进行更新。
事实证明，研究讨论“比单个层大”但“比整个模型小”的组件更有价值。
例如，在计算机视觉中广泛流行的ResNet-152架构就有数百层，
这些层是由\ *层组*\ （groups of layers）的重复模式组成。
这个ResNet架构赢得了2015年ImageNet和COCO计算机视觉比赛 的识别和检测任务
:cite:`He.Zhang.Ren.ea.2016`\ 。
目前ResNet架构仍然是许多视觉任务的首选架构。
在其他的领域，如自然语言处理和语音，
层组以各种重复模式排列的类似架构现在也是普遍存在。
为了实现这些复杂的网络，我们引入了神经网络\ *块*\ 的概念。
*块*\ （block）可以描述单个层、由多个层组成的组件或整个模型本身。
使用块进行抽象的一个好处是可以将一些块组合成更大的组件，
这一过程通常是递归的，如 :numref:`fig_blocks`\ 所示。
通过定义代码来按需生成任意复杂度的块，
我们可以通过简洁的代码实现复杂的神经网络。
.. _fig_blocks:
.. figure:: ../img/blocks.svg
多个层被组合成块，形成更大的模型
从编程的角度来看，块由\ *类*\ （class）表示。
它的任何子类都必须定义一个将其输入转换为输出的前向传播函数，
并且必须存储任何必需的参数。 注意，有些块不需要任何参数。
最后，为了计算梯度，块必须具有反向传播函数。
在定义我们自己的块时，由于自动微分（在 :numref:`sec_autograd` 中引入）
提供了一些后端实现，我们只需要考虑前向传播函数和必需的参数。
在构造自定义块之前，我们先回顾一下多层感知机 （
:numref:`sec_mlp_concise` ）的代码。
下面的代码生成一个网络，其中包含一个具有256个单元和ReLU激活函数的全连接隐藏层，
然后是一个具有10个隐藏单元且不带激活函数的全连接输出层。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
from mindspore import nn, ops
net = nn.SequentialCell([nn.Dense(20, 256), nn.ReLU(), nn.Dense(256, 10)])
X = ops.rand((2, 20))
net(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[2, 10], dtype=Float32, value=
[[-2.13292353e-02, -3.16182002e-02, 3.51457223e-02 ... 2.96151727e-01, -4.43280637e-01, -3.41092408e-01],
[ 5.19049987e-02, 3.93076502e-02, 1.89889818e-01 ... 1.60235882e-01, -3.68781567e-01, -3.95804524e-01]])
在这个例子中，我们通过实例化\ ``nn.SequentialCell``\ 来构建我们的模型，
层的执行顺序是作为参数传递的。
简而言之，\ ``nn.SequentialCell``\ 定义了一种特殊的\ ``Cell``\ 容器，
即在MindSpore中表示一个块的类，
它维护了一个由\ ``Cell``\ 组成的有序列表。
注意，两个全连接层都是\ ``Dense``\ 类的实例，
``Dense``\ 类本身就是\ ``Cell``\ 的子类。
另外，到目前为止，我们一直在通过\ ``net(X)``\ 调用我们的模型来获得模型的输出。
这实际上是\ ``net.__call__(X)``\ 的简写。 这个前向传播函数非常简单：
它将列表中的每个块连接在一起，将每个块的输出作为下一个块的输入。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
import torch
from torch import nn
from torch.nn import functional as F
net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
X = torch.rand(2, 20)
net(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[ 0.2476, -0.1295, -0.1580, -0.2991, -0.0151, -0.1287, 0.2114, 0.0056,
0.0490, -0.0596],
[ 0.1160, -0.2523, 0.0640, -0.1940, 0.0213, -0.0320, 0.1736, 0.1451,
0.1518, -0.0290]], grad_fn=
)
在这个例子中，我们通过实例化\ ``nn.Sequential``\ 来构建我们的模型，
层的执行顺序是作为参数传递的。
简而言之，\ ``nn.Sequential``\ 定义了一种特殊的\ ``Module``\ ，
即在PyTorch中表示一个块的类，
它维护了一个由\ ``Module``\ 组成的有序列表。
注意，两个全连接层都是\ ``Linear``\ 类的实例，
``Linear``\ 类本身就是\ ``Module``\ 的子类。
另外，到目前为止，我们一直在通过\ ``net(X)``\ 调用我们的模型来获得模型的输出。
这实际上是\ ``net.__call__(X)``\ 的简写。 这个前向传播函数非常简单：
它将列表中的每个块连接在一起，将每个块的输出作为下一个块的输入。
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
class MLP(nn.Cell):
# 用模型参数声明层。这里，我们声明两个全连接的层
def __init__(self):
# 调用MLP的父类Model的构造函数来执行必要的初始化。
# 这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）
super().__init__()
self.hidden = nn.Dense(20, 256) # 隐藏层
self.out = nn.Dense(256, 10) # 输出层
# 定义模型的前向传播，即如何根据输入X返回所需的模型输出
def construct(self, X):
return self.out(ops.relu(self.hidden(X)))
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
class MLP(nn.Module):
# 用模型参数声明层。这里，我们声明两个全连接的层
def __init__(self):
# 调用MLP的父类Module的构造函数来执行必要的初始化。
# 这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）
super().__init__()
self.hidden = nn.Linear(20, 256) # 隐藏层
self.out = nn.Linear(256, 10) # 输出层
# 定义模型的前向传播，即如何根据输入X返回所需的模型输出
def forward(self, X):
# 注意，这里我们使用ReLU的函数版本，其在nn.functional模块中定义。
return self.out(F.relu(self.hidden(X)))
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
net = MLP()
net(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[2, 10], dtype=Float32, value=
[[-8.87553692e-02, 2.09367722e-02, 4.49519604e-02 ... -3.03095952e-02, 1.83615655e-01, 4.10595350e-02],
[-4.26179916e-02, -7.97446147e-02, -5.30327708e-02 ... 8.35652053e-02, 1.74889624e-01, 1.00998253e-01]])
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
net = MLP()
net(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[-0.1392, 0.1857, 0.1117, 0.2427, 0.0875, 0.1699, 0.0443, -0.1368,
0.0871, -0.0531],
[-0.0160, 0.0017, 0.0333, 0.0876, 0.0220, 0.1210, 0.0933, 0.0110,
-0.0204, -0.0844]], grad_fn=
)
.. raw:: html
.. raw:: html
.. raw:: html
现在我们可以更仔细地看看\ ``SequentialCell``\ 类是如何工作的，
回想一下\ ``SequentialCell``\ 的设计是为了把其他模块串起来。
为了构建我们自己的简化的\ ``MySequential``\ ，
我们只需要定义两个关键函数：
1. 一种将块逐个追加到列表中的函数；
2. 一种前向传播函数，用于将输入按追加块的顺序传递给块组成的“链条”。
下面的\ ``MySequential``\ 类提供了与默认\ ``SequentialCell``\ 类相同的功能。
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
class MySequential(nn.Cell):
def __init__(self, *args):
super().__init__()
for idx, cell in enumerate(args):
cell.update_parameters_name(str(idx) + ".")
self._cells[str(idx)] = cell
def construct(self, X):
for block in self._cells.values():
X = block(X)
return X
``__init__``\ 函数将每个模块逐个添加到有序字典\ ``_cells``\ 中。
读者可能会好奇为什么每个\ ``Cell``\ 都有一个\ ``_cells``\ 属性？
以及为什么我们使用它而不是自己定义一个Python列表？
简而言之，\ ``_cells``\ 的主要优点是： 在模块的参数初始化过程中，
系统知道在\ ``_cells``\ 字典中查找需要初始化参数的子块。
.. raw:: html
.. raw:: html
现在我们可以更仔细地看看\ ``Sequential``\ 类是如何工作的，
回想一下\ ``Sequential``\ 的设计是为了把其他模块串起来。
为了构建我们自己的简化的\ ``MySequential``\ ，
我们只需要定义两个关键函数：
1. 一种将块逐个追加到列表中的函数；
2. 一种前向传播函数，用于将输入按追加块的顺序传递给块组成的“链条”。
下面的\ ``MySequential``\ 类提供了与默认\ ``Sequential``\ 类相同的功能。
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
class MySequential(nn.Module):
def __init__(self, *args):
super().__init__()
for idx, module in enumerate(args):
# 这里，module是Module子类的一个实例。我们把它保存在'Module'类的成员
# 变量_modules中。_module的类型是OrderedDict
self._modules[str(idx)] = module
def forward(self, X):
# OrderedDict保证了按照成员添加的顺序遍历它们
for block in self._modules.values():
X = block(X)
return X
``__init__``\ 函数将每个模块逐个添加到有序字典\ ``_modules``\ 中。
读者可能会好奇为什么每个\ ``Module``\ 都有一个\ ``_modules``\ 属性？
以及为什么我们使用它而不是自己定义一个Python列表？
简而言之，\ ``_modules``\ 的主要优点是： 在模块的参数初始化过程中，
系统知道在\ ``_modules``\ 字典中查找需要初始化参数的子块。
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
net = MySequential(nn.Dense(20, 256), nn.ReLU(), nn.Dense(256, 10))
net(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[2, 10], dtype=Float32, value=
[[ 2.17453450e-01, -2.72343736e-02, 6.74007088e-02 ... 1.33673385e-01, 2.20983531e-02, -3.92134607e-01],
[ 1.39223933e-01, 2.27964576e-02, 8.93612951e-03 ... -4.16937321e-02, -4.84171994e-02, -5.41189194e-01]])
请注意，\ ``MySequential``\ 的用法与之前为\ ``SequentialCell``\ 类编写的代码相同
（如 :numref:`sec_mlp_concise` 中所述）。
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
net = MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
net(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor([[ 0.1609, -0.1002, -0.1009, 0.0472, -0.5202, -0.1676, 0.1478, 0.2417,
-0.0304, 0.4938],
[ 0.2239, 0.0156, -0.0607, 0.1576, -0.2054, -0.1698, 0.2044, 0.0982,
-0.0166, 0.3214]], grad_fn=
)
请注意，\ ``MySequential``\ 的用法与之前为\ ``Sequential``\ 类编写的代码相同
（如 :numref:`sec_mlp_concise` 中所述）。
.. raw:: html
.. raw:: html
.. raw:: html
``SequentialCell``\ 类使模型构造变得简单，
允许我们组合新的架构，而不必定义自己的类。
然而，并不是所有的架构都是简单的顺序架构。
当需要更强的灵活性时，我们需要定义自己的块。
例如，我们可能希望在前向传播函数中执行Python的控制流。
此外，我们可能希望执行任意的数学运算，
而不是简单地依赖预定义的神经网络层。
.. raw:: html
.. raw:: html
``Sequential``\ 类使模型构造变得简单，
允许我们组合新的架构，而不必定义自己的类。
然而，并不是所有的架构都是简单的顺序架构。
当需要更强的灵活性时，我们需要定义自己的块。
例如，我们可能希望在前向传播函数中执行Python的控制流。
此外，我们可能希望执行任意的数学运算，
而不是简单地依赖预定义的神经网络层。
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
class FixedHiddenMLP(nn.Cell):
def __init__(self):
super().__init__()
# 不计算梯度的随机权重参数。因此其在训练期间保持不变
self.rand_weight = ops.rand((20,20))
self.linear = nn.Dense(20, 20)
def construct(self, X):
X = self.linear(X)
# 使用创建的常量参数以及ReLU和matmul函数
X = ops.relu(ops.matmul(X, self.rand_weight) + 1)
# 复用全连接层。这相当于两个全连接层共享参数。
X = self.linear(X)
# 控制流
while X.abs().sum() > 1:
X /= 2
return X.sum()
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
class FixedHiddenMLP(nn.Module):
def __init__(self):
super().__init__()
# 不计算梯度的随机权重参数。因此其在训练期间保持不变
self.rand_weight = torch.rand((20, 20), requires_grad=False)
self.linear = nn.Linear(20, 20)
def forward(self, X):
X = self.linear(X)
# 使用创建的常量参数以及relu和mm函数
X = F.relu(torch.mm(X, self.rand_weight) + 1)
# 复用全连接层。这相当于两个全连接层共享参数
X = self.linear(X)
# 控制流
while X.abs().sum() > 1:
X /= 2
return X.sum()
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
net = FixedHiddenMLP()
net(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[], dtype=Float32, value= -0.142653)
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
net = FixedHiddenMLP()
net(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor(-0.1684, grad_fn=)
.. raw:: html
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
class NestMLP(nn.Cell):
def __init__(self):
super().__init__()
self.net = nn.SequentialCell([nn.Dense(20, 64), nn.ReLU(),
nn.Dense(64, 32), nn.ReLU()])
self.linear = nn.Dense(32, 16)
def construct(self, X):
return self.linear(self.net(X))
chimera = nn.SequentialCell([NestMLP(), nn.Dense(16, 20), FixedHiddenMLP()])
chimera(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
Tensor(shape=[], dtype=Float32, value= 0.489588)
.. raw:: html
.. raw:: html
.. raw:: latex
\diilbookstyleinputcell
.. code:: python
class NestMLP(nn.Module):
def __init__(self):
super().__init__()
self.net = nn.Sequential(nn.Linear(20, 64), nn.ReLU(),
nn.Linear(64, 32), nn.ReLU())
self.linear = nn.Linear(32, 16)
def forward(self, X):
return self.linear(self.net(X))
chimera = nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)
.. raw:: latex
\diilbookstyleoutputcell
.. parsed-literal::
:class: output
tensor(0.1097, grad_fn=)
.. raw:: html
.. raw:: html
.. raw:: html
- 一个块可以由许多层组成；一个块可以由许多块组成。
- 块可以包含代码。
- 块负责大量的内部处理，包括参数初始化和反向传播。
- 层和块的顺序连接由\ ``SequentialCell``\ 块处理。
.. raw:: html
.. raw:: html
- 一个块可以由许多层组成；一个块可以由许多块组成。
- 块可以包含代码。
- 块负责大量的内部处理，包括参数初始化和反向传播。
- 层和块的顺序连接由\ ``Sequential``\ 块处理。
.. raw:: html
.. raw:: html
.. raw:: html
`讨论 `__
.. raw:: html
.. raw:: html
`讨论 `__
.. raw:: html
.. raw:: html