自定义层

一、前言

深度学习成功的背后一个因素是可以用创造性的方式组合广泛的层，从而设计出适合于各种任务的结构

 

二、不带参数的层

1、要构建一个层，我们只需继承基础层类并实现正向传播功能

# 构造不带参数的层
# 下面的CenteredLayer类要从其输入中减去均值。
import torch
import torch.nn.functional as F
from torch import nn

class CenteredLayer(nn.Module):
    def __init__(self):
        super().__init__()

    # 从其输入减去均值
    def forward(self, X):
        return X - X.mean()

2、测试是否按预期工作

layer = CenteredLayer()
layer(torch.FloatTensor([1, 2, 3, 4, 5]))

#输出结果

tensor([-2., -1.,  0.,  1.,  2.])

3、将层作为组件合并构建到复杂模型中

# 将层作为组件合并构建到复杂模型中
net = nn.Sequential(nn.Linear(8, 128), CenteredLayer())

　　

三、带参数的层

1、既然我们知道了如何定义简单的层，接下来继续定义具有参数的层，这些参数可以通过训练进行调整

2、我们可以使用内置函数来创建参数，这些函数提供一些基本的管理功能

# 定义带有参数的层
class MyLinear(nn.Module):
    # in_units：输入数量
    # units：输出数量
    def __init__(self, in_units, units):
        super().__init__()
        '''
        首先可以把这个函数理解为类型转换函数
        将一个不可训练的类型Tensor转换成可以训练的类型parameter
        并将parameter绑定到这个module里面
        
        '''
        self.weight = nn.Parameter(torch.randn(in_units, units))
        self.bias = nn.Parameter(torch.randn(units,))

    def forward(self, X):
        linear = torch.matmul(X, self.weight.data) + self.bias.data
        return F.relu(linear)

3、实例化MyLinear类并访问其模型参数

linear = MyLinear(5, 3)
print(linear.bias)
linear.weight

#输出结果

Parameter containing:
tensor([ 2.0313, -0.5231,  2.2049], requires_grad=True)
Parameter containing:
tensor([[-0.5891, -0.0976, -2.2352],
        [-1.3207, -0.3231,  0.1074],
        [ 0.8634, -0.6129, -0.4620],
        [ 0.4784, -0.1825,  0.4654],
        [-0.7650, -0.5062, -0.8821]], requires_grad=True)

4、使用自定义层直接执行正向传播计算　

linear(torch.rand(2, 5))

#输出结果

tensor([[2.0072, 0.0000, 0.7855],
        [1.4918, 0.0000, 1.8945]])

5、使用自定义层构建模型，可以像使用内置的全连接层一样使用自定义层

net = nn.Sequential(MyLinear(64, 8), MyLinear(8, 1))
net(torch.rand(2, 64))

#输出结果

tensor([[0.],
        [0.]])