文章来自微信公众号：【机器学习炼丹术】，是个人的学习心得分享基地。

文章目录：

• 1 模型构建函数
  • 1.1 add_module
  • 1.2 ModuleList
  • 1.3 Sequential
  • 1.4 小总结
• 2 遍历模型结构
  • 2.1 modules()
  • 2.2 named_modules()
  • 2.3 parameters()
• 3 保存与载入

本文是对一些函数的学习。函数主要包括下面四个方面：

• 模型构建的函数：add_module,add_module,add_module
• 访问子模块：add_module,add_module,add_module，add_module
• 网络遍历：add_module,add_module
• 模型的保存与加载：add_module,add_module,add_module

1 模型构建函数

torch.nn.Module是所有网络的基类，在PyTorch实现模型的类中都要继承这个类(这个在之前的课程中已经提到)。在构建Module中，Module是一个包含其他的Module的，类似于，你可以先定义一个小的网络模块，然后把这个小模块作为另外一个网络的组件。因此网络结构是呈现树状结构。

我们先简单定义一个网络：

import torch.nn as nnimport 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 xnet = MyNet()print(net)

输出结果：

MyNet中有两个属性conv1和conv2是两个卷积层，在正向传播forward的过程中，依次调用这两个卷积层实现网络的功能。

1.1 add_module

这种是最常见的定义网络的功能，在有些项目中，会看到这样的方法add_module。我们用这个方法来重写上面的网络：

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

其实add_module(name,layer)和self.name=layer实现了相同的功能，个人感觉也许是因为add_module可以使用字符串来定义变量名字，所以可以放在循环中？反正这个先了解熟悉熟悉。

上面的两种方法都是一层一层的添加layer，如果网络复杂的话，那就需要写很多重复的代码了。因此接下来来讲解一下网络模块的构建,torch.nn.ModuleList和torch.nn.Sequential

1.2 ModuleList

ModuleList按照字面意思是用list的形式保存网络层的。这样就可以先将网络需要的layer构建好，保存到一个list，然后通过ModuleList方法添加到网络中.

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 xnet = MyNet()print(net)

输出结果是：

这个ModuleList主要是用在读取config文件来构建网络模型中的，下面用VGG模型的构建为例子：

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 layersclass 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)

先读取网络结构的配置文件vgg_cfg然后根据这个文件创建对应的Layer list，然后使用ModuleList添加到网络中，这样可以快速创建不同的网络(用上面为例子的话，可以通过修改配置文件，然后快速修改网络结构 )

1.3 Sequential

在一些自己做的小项目中，Sequential其实用的更为频繁。依然重写最初最简单的例子：

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 xnet = MyNet()print(net)

运行结果：

观察细致的朋友可以发现这个问题，Seqential内的网络层是默认用数字进行标号的，而一开始我们使用self.conv1和self.conv2的时候，使用conv1和conv2作为标号的。

我们如何修改Sequential中网络层的名称呢？这里需要使用到collections.OrderedDict有序字典。Sequential是支持有序字典构建的。

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 xnet = MyNet()print(net)

输出结果：

1.4 小总结

• 单独增加一个网络层或者子模块，可以用add_module或者直接赋予属性；
• ModuleList可以将一个Module的List增加到网络中，自由度较高。
• Sequential按照顺序产生一个Module模块。这里推荐习惯使用OrderedDict的方法进行构建。对网络层加上规范的名称，这样有助于后续查找与遍历

2 遍历模型结构

本章节使用下面的方法进行遍历之前提到的Module。(个人理解，Module是多个layer的合并，但是一个layer可以说成Module。 ) 先定义一个网络吧，随便写一个：

import torch.nn as nnimport torch from collections import OrderedDictclass 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 xnet = MyNet()print(net)

输出结果是：

2.1 modules()

在第四课中初始化模型各个层的参数的时候，用到了这个方法，现在我们再来理解一下：

for idx,m in enumerate(net.modules()):    print(idx,"-",m)

运行结果：

上面那个网络构建的时候用到了Sequential，所以网络中其实是嵌套了一个小的Module，这就是之前提到的树状结构,然后上面便利的时候也是树状结构的便利过程，可以看出来应该是一个深度遍历的过程。

• 首先第一个输出的是最大的那个Module，也就是整个网络，0-Model整个网络模块；
• 1-2-3-4是网络的四个子模块，4-Sequential中间仍然包含子模块
• 5-6-7是模块4-Sequential的子模块。

【总结】

modules()是递归的返回网络的各个module(深度遍历)，从最顶层直到最后的叶子的module。

2.2 named_modules()

named_modules()和module()类似，只是同时返回name和module。

for idx,(name,m) in enumerate(net.named_modules()):    print(idx,"-",name)

输出结果：

2.3 parameters()

for p in net.parameters():    print(type(p.data),p.size())

运行结果：

输出的是四个卷积层的权重矩阵参数和偏置参数。值得一提的是，对网络进行训练时需要将parameters()作为优化器optimizer的参数。

optimizer = torch.optim.SGD(net.parameters(),                            lr = 0.001,                            momentum=0.9)

总之呢，这个parameters()是返回网络所有的参数，主要用在给optimizer优化器用的。而要对网络的某一层的参数做处理的时候，一般还是使用named_parameters()方便一些。

for idx,(name,m) in enumerate(net.named_parameters()):    print(idx,"-",name,m.size())

输出结果：

【小扩展】

我个人有时会使用下面的方法来获取参数：

for idx,(name,m) in enumerate(net.named_modules()):    if isinstance(m,nn.Conv2d):        print(m.weight.shape)        print(m.bias.shape)

先判断是否是卷积层，然后获取其参数，输出结果：

3 保存与载入

PyTorch使用torch.save和torch.load方法来保存和加载网络，而且网络结构和参数可以分开的保存和加载。

torch.save(model,'model.pth') # 保存model = torch.load("model.pth") # 加载

pytorch中网络结构和模型参数是可以分开保存的。上面的方法是两者同时保存到了.pth文件中，当然，你也可以仅仅保存网络的参数来减小存储文件的大小。注意：如果你仅仅保存模型参数，那么在载入的时候，是需要通过运行代码来初始化模型的结构的。

torch.save(model.state_dict(),"model.pth") # 保存参数model = MyNet() # 代码中创建网络结构params = torch.load("model.pth") # 加载参数model.load_state_dict(params) # 应用到网络结构中

至此，我们今天已经学习了不少的内容，大家对PyTorch的掌握更近一步了呢~

- END -