Pytorch常用的对象类和继承机制（如果有）

　　参考资料：

　　Pytorch这个深度学习框架在设计的时候嵌入了非常丰富的继承机制。在通用的深度学习算法中使用到的组件其实都继承于某一个父类，比如：Dataset，DataLoader，Model等其实都蕴含了一个继承机制。这篇随笔打算梳理并剖析一下Pytorch里的这样一种继承现象。请注意，继承后的子类的构造方法第一行一定要调用super()方法哦。

　　torch.nn.Module

import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        return F.relu(self.conv2(x))

　　平时我们在深度学习中提到的Model其实就是继承自torch.nn.Module。最重要且继承后必须重写的方法是forward，这个方法直接规定Model的前向运算方式。此外还有一些预定义的方法，比较重要的是：

1. net.apply
2. net.cuda
3. net.train
4. net.eval
5. net.load_state_dict
6. net.zero_grad

　　torch.utils.data.Dataset

　　官网并没有给这个类示例，可能是觉得这个类比较简单。正如描述中所说，torch.utils.data.Dataset是来handle键值对形式的数据格式的。我们必须实现两个函数，__getitem__和__len__。前者输入索引index返回对应的数据（和label），后者返回数据集总的大小（index的上限）。

　　补充一句，在官网的Doc中torch.utils.data.Dataset下面就是torch.utils.data.IterableDataset，这个数据集格式和上面Dataset的区别在于它是来handle可迭代的数据集类型。其只需要重写一个__iter__函数，留待日后有需要的时候研究。

　　torchvision.transforms

　　这里跑题提一下torchvision里面经常用到的transforms，它本质也是nn.Module（不信看源码），其方便之处在于提供了丰富的内置处理图片的方法（transforms变换）。并且可以通过transforms.Compose方法把多个transform串序并到一起（类似nn.Sequential）。所以在继承一个torch.utils.data.Dataset的时候不妨多利用transforms哦（explicitly specify transform）。

　　torch.utils.data.DataLoader

　　从形式上来看，DataLoader是Dataset套的一层包装；从功能上来看，DataLoader才是最终提供给Model数据的人。这个组件基本不涉及继承机制（很少人去改写这个类），因此略过。

　　torch.nn.modules.loss

　　说完了Dataset和Model，不得不提的就是损失函数了，从torch.nn.modules.loss可以看出，所有的loss其实没啥特别的，说白了也是一个nn.Module。只不过它的forward方法比较特殊，Model的forward方法是给他一个data_tensor，而Loss的forward方法是给他一个target_tensor和一个（Model预测的）input_tensor，返回值一般是一个常数。

　　torch.optim

　　torch.optim这个包下预置了很多Optimizer比如SGD，Adam。其用法如下：

optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
optimizer = optim.Adam([var1, var2], lr=0.0001)

for input, target in dataset:
    optimizer.zero_grad()
    output = model(input)
    loss = loss_fn(output, target)
    loss.backward()
    optimizer.step()

　　需要注意的是如果网络要在GPU上训练，则optimizer和model绑定应该在model转移到GPU上之后。

　　torch.optim.lr_scheduler

　　深度学习在训练时一个动态衰减的学习率是比较理想的。torch.optim.lr_scheduler提供了这样一个功能。其用法如下：

model = [Parameter(torch.randn(2, 2, requires_grad=True))]
optimizer = SGD(model, 0.1)
scheduler = ExponentialLR(optimizer, gamma=0.9)

for epoch in range(20):
    for input, target in dataset:
        optimizer.zero_grad()
        output = model(input)
        loss = loss_fn(output, target)
        loss.backward()
        optimizer.step()
    scheduler.step()

　　注意scheduler.step要在optimizer.step之后。