pytorch定义自己的新层（非官方example）

我会带着你远行 2022-04-12 06:09 119阅读 0赞

# 一、解析层的结构 #

首先我们通过分析官方的源码了解一下什么是层，它包含哪些结构，成员是啥等。

class Linear(nn.Module):
        def __init__(self, input_features, output_features, bias=True):
            super(Linear, self).__init__()
            self.input_features = input_features
            self.output_features = output_features
            self.weight = nn.Parameter(torch.Tensor(output_features, input_features))
            if bias:
                self.bias = nn.Parameter(torch.Tensor(output_features))
            else:
                self.register_parameter('bias', None)
            self.weight.data.uniform_(-0.1, 0.1)
            if bias is not None:
                self.bias.data.uniform_(-0.1, 0.1)
        def forward(self, input):
            return LinearFunction.apply(input, self.weight, self.bias)

上面的源码是官方的线性层实现方式。

参数含义：

*  input\_features是输入向量长度，output\_features是输出向量的长度
 *  input调用该类时的输入

Linear层包含两个内部参数，也就是我们说的层的权重，weight和bias。两个函数构造函数\_\_init\_\_和前向传播函数forward。

我们可以得到以下结论：

*  pytorch的层继承自nn.module类
 *  层至少包含两个函数成员\_\_init\_\_和前向传播函数forward（如果自定义的操作不可导，还需要实现反向传播的backward）
 *  如果该层含有权重，那么权重必须是nn.Parameter类型，关于Tensor和Variable（0.3版本之前）与Parameter的区别请参看之前[博客][Link 1]。简单说就是Parameter默认需要求导，其他两个类型则不会。
 *  可能的话，为自己定义的新层提供默认的参数初始化，以防使用过程中忘记初始化操作。

# 二、示例 #

下面我们实现一个简单的层，输入\[x,y\],输出为z，实现z=a\*x+b\*y的功能，并通过网络自动学习到参数a，b。

首先分析一下我们所要实现的功能z=a\*x+b\*y，其中有两个要学习的参数，a和b。假设输入为一个1\*2向量，为了利用pytorch的乘法，我们将a，b合起来定义为\[1,2\]的向量，类型为Parmeter（所有代权重层中参数的类型）。为了更普适性完成![z=\\sum w \_\{i\}\*x \_\{i\}][z_sum w _i_x _i] 的任务，我们将参数的形状设为在定义时指定。

层的定义

##################################################################
    ####in_features->该层的形状，e.g 参数为a，b，则(1,2);为a,b,c，则(1,3)
    ####reset_parameters()权重默认初始化函数
    ####forward自己定义的操作
    ####input->调用该层时的输入  shape->[n,1,2]
    #################################################################
    
    
    class weight_pool(nn.Module):
        def __init__(self, in_features):            
            super(weight_pool, self).__init__()
            self.in_features = in_features
            self.weight = nn.Parameter(torch.Tensor(self.in_features))
            self.reset_parameters()
    
        def reset_parameters(self):
            stdv = 1. / math.sqrt(self.weight.size(0))
            self.weight.data.uniform_(-stdv, stdv)
            
        def forward(self, input):
            x = input * self.weight
            x = x.sum(dim=1,keepdim=True)
            return x

此时就完成了我们定义的新层。下面通过几组测试来检验我们的新层是否具有学习功能。

### 1.task1 学习z = x + y ###

由于需要学习的参数只有两个，理论上只需要两组数据就能完成学习。但是为了更普适，我们输入了五组训练数据

x,y = [1.0,2.0], [1.0,3.0], [2.0,3.0], [3.0,4.0], [9.0,10.0]
    z = [3.0], [4.0], [5.0], [7.0], [19.0]

损失函数用MSELoss，学习率0.01，SGD方法，迭代10个epoch。

网络定义如下：

class MyNet(nn.Module):
    
        def __init__(self):
            super(MyNet, self).__init__()
            self.wpool = weight_pool((1,2))
        def forward(self, x):
            x = self.wpool(x)
            return x

下面展示前10个epoch的loss曲线图，可以看到2个epoch时网络已经接近收敛。此时学习到的参数为1.0324和0.9731，非常接近我们最理想的参数1和1。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2R4aW5faWU_size_16_color_FFFFFF_t_70][]

![20181202014344894.png][]

为了测试网络的极限性能，我们直接迭代1000个epoch，可以看到此时学习到的参数就是最理想的参数1和1.

![20181202014847843.png][]

### task2  学习z = x + 3\*y ###

同样损失函数用MSELoss，学习率0.01，SGD方法，迭代10个epoch

此时由于目标函数较复杂，10个epoch之后，得到结果仅为1.7896和2.3437，与我们的理想结果1和3相差较远。

![20181202021641723.png][]

同样的，我们将迭代次数增加到1000个epoch，可以看到学习到的结果为1.0077和2.9936，与目标结果1和3基本一致。

![20181202021348249.png][]

# 总结： #

通过上面的例子我们可以证明我们自己写的层具有和pytorch原有的层一样，具有学习能力，可以完成我们的目标。最后再总结一下新实现层的要点：

*  继承nn.module类
 *  层的权重类型为Parameter
 *  至少实现两个函数\_\_init\_\_和forward
 *  自定义操作如不可导，需要实现backward函数。

完整的工程可[在此][Link 2]下载。

[Link 1]: https://mp.csdn.net/postedit/84555805
[z_sum w _i_x _i]: https://private.codecogs.com/gif.latex?z%3D%5Csum%20w%20_%7Bi%7D*x%20_%7Bi%7D
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2R4aW5faWU_size_16_color_FFFFFF_t_70]: /images/20220412/eb205008b06e4e6a90d5ff25f1c1aa65.png
[20181202014344894.png]: /images/20220412/44fca786c7934547aced4e058a6ab30a.png
[20181202014847843.png]: /images/20220412/ccf805c58167487c807031c8533d1537.png
[20181202021641723.png]: /images/20220412/5fa61d21d9f841d598b4cd99da14cdb1.png
[20181202021348249.png]: /images/20220412/6863f676136c4394b5a3bab539b5d474.png
[Link 2]: https://download.csdn.net/download/goodxin_ie/10822052