pytorch网络模型构建场景的问题介绍

目录

• 1. 网络模型构建中的问题
• 1.1 输入变量是Tensor张量
• 1.2 __init__()方法使用
• 1.3 内置函数setattr()
• 1.4 网络模型的构建

记录使用pytorch构建网络模型过程遇到的点

1. 网络模型构建中的问题

1.1 输入变量是Tensor张量

各个模块和网络模型的输入，　一定要是tensor 张量；

可以用一个列表存放多个张量。

如果是张量维度不够，需要升维度，

可以先使用 torch.unsqueeze(dim = expected)

然后再使用torch.cat(dim ) 进行拼接；

需要传递梯度的数据，禁止使用numpy， 也禁止先使用numpy，然后再转换成张量的这种情况出现；

这是因为pytorch的机制是只有是 Tensor　张量的类型，才会有梯度等属性值，如果是numpy这些类别，这些变量并会丢失其梯度值。

1.2 __init__()方法使用

class ex:
    def __init__(self):
        pass

__init__方法必须接受至少一个参数即self，

Python中，self是指向该对象本身的一个引用，

通过在类的内部使用self变量，

类中的方法可以访问自己的成员变量，简单来说，self.varname的意义为”访问该对象的varname属性“

当然，__init__()中可以封装任意的程序逻辑，这是允许的，init()方法还接受任意多个其他参数，允许在初始化时提供一些数据，例如，对于刚刚的worker类，可以这样写：

class worker:
    def __init__(self,name,pay):
        self.name=name
        self.pay=pay

这样，在创建worker类的对象时，必须提供name和pay两个参数：

b=worker('Jim',5000)

Python会自动调用worker.init()方法，并传递参数。

细节参考这里init方法

1.3 内置函数setattr()

此时，可以使用python自带的内置函数 setattr(),　和对应的getattr()

setattr(object, name, value)

object – 对象。

name – 字符串，对象属性。

value – 属性值。

对已存在的属性进行赋值：
>>>class A(object):
...     bar = 1
... 
>>> a = A()
>>> getattr(a, 'bar')          # 获取属性 bar 值
1
>>> setattr(a, 'bar', 5)       # 设置属性 bar 值
>>> a.bar
5
如果属性不存在会创建一个新的对象属性，并对属性赋值:

>>>class A():
...     name = "runoob"
... 
>>> a = A()
>>> setattr(a, "age", 28)
>>> print(a.age)
28
>>>

setattr() 语法

setattr(object, name, value)

object – 对象。

name – 字符串，对象属性。

value – 属性值。

1.4 网络模型的构建

注意到，　在python的 __init__() 函数中，　self 本身就是该类的对象的一个引用，即self是指向该对象本身的一个引用，

利用上述这一点，当在神经网络中，

需要给多个属性进行实例化时，

且这多个属性使用的是同一个类进行实例化.

则使用 setattr(self, string, object1) 添加属性；

class Temporal_GroupTrans(nn.Module):
    def __init__(self,   num_classes=10,num_groups=35, drop_prob=0.5, pretrained= True):
        super(Temporal_GroupTrans, self).__init__()
        conv_block = Basic_slide_conv()
        for i in range( num_groups):
            setattr(self, "group" + str(i), conv_block)
        # 自定义transformer模型的初始化， CustomTransformerModel() 在该类中传入初始化模型的参数,
        # nip:512　输入序列中，每个列向量的编码维度，　16:　注意力头的个数
        # 600:　中间mlp 隐藏层的维数,  6: 堆叠transforEncode　编码模块的个数；
        self.trans_model = CustomTransformerModel(512,16,600, 6,droupout=0.5,nclass=4)

则使用 getattr(self, string, object1) 获取属性；

        trans_input_sequence = []
        for i in range(0, num_groups, ):
            #  　每组语谱图的大小是一个 (bt, ch,96,12)的矩阵,组与组之间没有重叠；
            cur_group = x[:, :, :, 12 * i:12 * (i + 1)]
            # VARIABLE_fun = "self.group"   # 每一组，与之对应的卷积模块；
            # cur_fun = eval(VARIABLE_fun + str(i ))
            cur_fun = getattr(self, 'group'+str(i))
            cur_group_out = cur_fun(cur_group).unsqueeze(dim=1)  # [bt,1, 512]
            trans_input_sequence.append(cur_group_out)

到此这篇关于pytorch网络模型构建场景的问题介绍的文章就介绍到这了,更多相关pytorch网络模型构建内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！