前言

我们在使用Pytorch的时候，模型训练时，不需要调用forward这个函数，只需要在实例化一个对象中传入对应的参数就可以自动调用 forward 函数。

class Module(nn.Module):def __init__(self):super().__init__()# ......def forward(self, x):# ......return xdata = ......  # 输入数据# 实例化一个对象
model = Module()# 前向传播
model(data)# 而不是使用下面的
# model.forward(data)

但是实际上model(data)是等价于model.forward(data)，这是为什么呢？？？下面我们来分析一下原因。

forward函数

model(data)之所以等价于model.forward(data)，就是因为在类（class）中使用了__call__函数，对__call__函数不懂得可以点击链接：可调用：__call__函数

class Student:def __call__(self):print('I can be called like a function')a = Student()
a()

输出结果：

I can be called like a function

由上面的__call__函数可知，我们可以将forward函数放到__call__函数中进行调用：

class Student:def __call__(self, param):print('I can called like a function')print('传入参数的类型是：{}   值为： {}'.format(type(param), param))res = self.forward(param)return resdef forward(self, input_):print('forward 函数被调用了')print('in  forward, 传入参数类型是：{}  值为: {}'.format(type(input_), input_))return input_a = Student()input_param = a('data')
print("对象a传入的参数是：", input_param)

输出结果：

I can called like a function
传入参数的类型是：<class 'str'>   值为： data
forward 函数被调用了
in  forward, 传入参数类型是：<class 'str'>  值为: data
对象a传入的参数是： data

到这里我们就可以明白了为什么model(data)等价于model.forward(data)，是因为__call__函数中调用了forward函数。

Pytorch 中的 forward理解相关推荐

pytorch中repeat()函数理解
pytorch中repeat()函数理解最近在学习过程中遇到了repeat()函数的使用,这里记录一下自己对这个函数的理解. 情况1:repeat参数个数与tensor维数一致时 a = torch ...
pytorch 中 contiguous() 函数理解
pytorch 中 contiguous() 函数理解文章目录 pytorch 中 contiguous() 函数理解引言使用 contiguous() 后记文章抄自 Pytorch中cont ...
Pytorch中的contiguous理解
最近遇到这个函数,但查的中文博客里的解释貌似不是很到位,这里翻译一下stackoverflow上的回答并加上自己的理解. 在pytorch中,只有很少几个操作是不改变tensor的内容本身,而只是重新 ...
Pytorch中contiguous()函数理解
引言在pytorch中,只有很少几个操作是不改变tensor的内容本身,而只是重新定义下标与元素的对应关系的.换句话说,这种操作不进行数据拷贝和数据的改变,变的是元数据. 会改变元数据的操作是: n ...
pytorch中的forward函数详细理解
文章目录前言 forward 的使用 forward 使用的解释前言最近在使用pytorch的时候,模型训练时,不需要使用forward,只要在实例化一个对象中传入对应的参数就可以自动调用 fo ...
Pytorch中dim的理解
dim的定义 dim 表示维度 x = torch.randn(2, 3, 3)print(x) print(x.size()) print(x.dim()) 输出: tensor([[[-1.694 ...
pytorch中unsqueeze()函数理解
unsqueeze()函数起升维的作用,参数表示在哪个地方加一个维度. 在第一个维度(中括号)的每个元素加中括号 0表示在张量最外层加一个中括号变成第一维. 直接看例子: import torch i ...
pytorch中bilinear的理解
直接参考官方文档,x1和x2是两个输入,A是参数矩阵,如下表达式但仔细看实现发现这个表达式并不是简单连乘的关系.假设x1(shape是b,n)和x2(shape是b,m)是二维,那么A是个三维ten ...
pytorch中数组维度的理解
pytorch中数组维度理解与numpy中类似,pytorch中维度用dim表示,numpy中用axis表示这里主要想说下维度的变化. dim = x ,表示在第x为上进行操作,那个维度会发生变化. ...
pytorch中网络loss传播和参数更新理解
相比于2018年,在ICLR2019提交论文中,提及不同框架的论文数量发生了极大变化,网友发现,提及tensorflow的论文数量从2018年的228篇略微提升到了266篇,keras从42提升到56 ...

Pytorch 中的 forward理解

前言

forward函数

Pytorch 中的 forward理解相关推荐

最新文章

热门文章