Pytorch的低階API主要包括張量操作，動態(tài)計算圖和自動微分。

如果把模型比作一個房子，那么低階API就是【模型之磚】。

在低階API層次上，可以把Pytorch當做一個增強版的numpy來使用。

Pytorch提供的方法比numpy更全面，運算速度更快，如果需要的話，還可以使用GPU進行加速。

前面幾章我們對低階API已經(jīng)有了一個整體的認識，本章我們將重點詳細介紹張量操作和動態(tài)計算圖。

張量的操作主要包括張量的結(jié)構(gòu)操作和張量的數(shù)學(xué)運算。

張量結(jié)構(gòu)操作諸如：張量創(chuàng)建，索引切片，維度變換，合并分割。

張量數(shù)學(xué)運算主要有：標量運算，向量運算，矩陣運算。另外我們會介紹張量運算的廣播機制。

動態(tài)計算圖我們將主要介紹動態(tài)計算圖的特性，計算圖中的Function，計算圖與反向傳播。

本篇我們介紹動態(tài)計算圖。

import?os
import?datetime

#打印時間
def?printbar():
????nowtime?=?datetime.datetime.now().strftime('%Y-%m-%d?%H:%M:%S')
????print("\n"+"=========="*8?+?"%s"%nowtime)

#mac系統(tǒng)上pytorch和matplotlib在jupyter中同時跑需要更改環(huán)境變量
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"?

一，nn.functional 和 nn.Module

前面我們介紹了Pytorch的張量的結(jié)構(gòu)操作和數(shù)學(xué)運算中的一些常用API。

利用這些張量的API我們可以構(gòu)建出神經(jīng)網(wǎng)絡(luò)相關(guān)的組件(如激活函數(shù)，模型層，損失函數(shù))。

Pytorch和神經(jīng)網(wǎng)絡(luò)相關(guān)的功能組件大多都封裝在 torch.nn模塊下。

這些功能組件的絕大部分既有函數(shù)形式實現(xiàn)，也有類形式實現(xiàn)。

其中nn.functional(一般引入后改名為F)有各種功能組件的函數(shù)實現(xiàn)。例如：

(激活函數(shù))

• F.relu
• F.sigmoid
• F.tanh
• F.softmax

(模型層)

• F.linear
• F.conv2d
• F.max_pool2d
• F.dropout2d
• F.embedding

(損失函數(shù))

• F.binary_cross_entropy
• F.mse_loss
• F.cross_entropy

為了便于對參數(shù)進行管理，一般通過繼承 nn.Module 轉(zhuǎn)換成為類的實現(xiàn)形式，并直接封裝在 nn 模塊下。例如：

(激活函數(shù))

• nn.ReLU
• nn.Sigmoid
• nn.Tanh
• nn.Softmax

(模型層)

• nn.Linear
• nn.Conv2d
• nn.MaxPool2d
• nn.Dropout2d
• nn.Embedding

(損失函數(shù))

• nn.BCELoss
• nn.MSELoss
• nn.CrossEntropyLoss

實際上nn.Module除了可以管理其引用的各種參數(shù)，還可以管理其引用的子模塊，功能十分強大。

二，使用nn.Module來管理參數(shù)

在Pytorch中，模型的參數(shù)是需要被優(yōu)化器訓(xùn)練的，因此，通常要設(shè)置參數(shù)為 requires_grad = True 的張量。

同時，在一個模型中，往往有許多的參數(shù)，要手動管理這些參數(shù)并不是一件容易的事情。

Pytorch一般將參數(shù)用nn.Parameter來表示，并且用nn.Module來管理其結(jié)構(gòu)下的所有參數(shù)。

import?torch?
from?torch?import?nn?
import?torch.nn.functional??as?F
from?matplotlib?import?pyplot?as?plt

#?nn.Parameter?具有?requires_grad?=?True?屬性
w?=?nn.Parameter(torch.randn(2,2))
print(w)
print(w.requires_grad)
Parameter?containing:
tensor([[?0.3544,?-1.1643],
????????[?1.2302,??1.3952]],?requires_grad=True)
True
#?nn.ParameterList?可以將多個nn.Parameter組成一個列表
params_list?=?nn.ParameterList([nn.Parameter(torch.rand(8,i))?for?i?in?range(1,3)])
print(params_list)
print(params_list[0].requires_grad)
ParameterList(
????(0):?Parameter?containing:?[torch.FloatTensor?of?size?8x1]
????(1):?Parameter?containing:?[torch.FloatTensor?of?size?8x2]
)
True
#?nn.ParameterDict?可以將多個nn.Parameter組成一個字典

params_dict?=?nn.ParameterDict({"a":nn.Parameter(torch.rand(2,2)),
???????????????????????????????"b":nn.Parameter(torch.zeros(2))})
print(params_dict)
print(params_dict["a"].requires_grad)
ParameterDict(
????(a):?Parameter?containing:?[torch.FloatTensor?of?size?2x2]
????(b):?Parameter?containing:?[torch.FloatTensor?of?size?2]
)
True
#?可以用Module將它們管理起來
#?module.parameters()返回一個生成器，包括其結(jié)構(gòu)下的所有parameters

module?=?nn.Module()
module.w?=?w
module.params_list?=?params_list
module.params_dict?=?params_dict

num_param?=?0
for?param?in?module.parameters():
????print(param,"\n")
????num_param?=?num_param?+?1
print("number?of?Parameters?=",num_param)

Parameter?containing:
tensor([[?0.3544,?-1.1643],
????????[?1.2302,??1.3952]],?requires_grad=True)?

Parameter?containing:
tensor([[0.9391],
????????[0.7590],
????????[0.6899],
????????[0.4786],
????????[0.2392],
????????[0.9645],
????????[0.1968],
????????[0.1353]],?requires_grad=True)?

Parameter?containing:
tensor([[0.8012,?0.9587],
????????[0.0276,?0.5995],
????????[0.7338,?0.5559],
????????[0.1704,?0.5814],
????????[0.7626,?0.1179],
????????[0.4945,?0.2408],
????????[0.7179,?0.0575],
????????[0.3418,?0.7291]],?requires_grad=True)?

Parameter?containing:
tensor([[0.7729,?0.2383],
????????[0.7054,?0.9937]],?requires_grad=True)?

Parameter?containing:
tensor([0.,?0.],?requires_grad=True)?

number?of?Parameters?=?5
#實踐當中，一般通過繼承nn.Module來構(gòu)建模塊類，并將所有含有需要學(xué)習(xí)的參數(shù)的部分放在構(gòu)造函數(shù)中。

#以下范例為Pytorch中nn.Linear的源碼的簡化版本
#可以看到它將需要學(xué)習(xí)的參數(shù)放在了__init__構(gòu)造函數(shù)中，并在forward中調(diào)用F.linear函數(shù)來實現(xiàn)計算邏輯。

class?Linear(nn.Module):
????__constants__?=?['in_features',?'out_features']

????def?__init__(self,?in_features,?out_features,?bias=True):
????????super(Linear,?self).__init__()
????????self.in_features?=?in_features
????????self.out_features?=?out_features
????????self.weight?=?nn.Parameter(torch.Tensor(out_features,?in_features))
????????if?bias:
????????????self.bias?=?nn.Parameter(torch.Tensor(out_features))
????????else:
????????????self.register_parameter('bias',?None)

????def?forward(self,?input):
????????return?F.linear(input,?self.weight,?self.bias)

三，使用nn.Module來管理子模塊

一般情況下，我們都很少直接使用 nn.Parameter來定義參數(shù)構(gòu)建模型，而是通過一些拼裝一些常用的模型層來構(gòu)造模型。

這些模型層也是繼承自nn.Module的對象,本身也包括參數(shù)，屬于我們要定義的模塊的子模塊。

nn.Module提供了一些方法可以管理這些子模塊。

• children() 方法: 返回生成器，包括模塊下的所有子模塊。

• named_children()方法：返回一個生成器，包括模塊下的所有子模塊，以及它們的名字。

• modules()方法：返回一個生成器，包括模塊下的所有各個層級的模塊，包括模塊本身。

• named_modules()方法：返回一個生成器，包括模塊下的所有各個層級的模塊以及它們的名字，包括模塊本身。

其中chidren()方法和named_children()方法較多使用。

modules()方法和named_modules()方法較少使用，其功能可以通過多個named_children()的嵌套使用實現(xiàn)。

class?Net(nn.Module):
????
????def?__init__(self):
????????super(Net,?self).__init__()
????????
????????self.embedding?=?nn.Embedding(num_embeddings?=?10000,embedding_dim?=?3,padding_idx?=?1)
????????self.conv?=?nn.Sequential()
????????self.conv.add_module("conv_1",nn.Conv1d(in_channels?=?3,out_channels?=?16,kernel_size?=?5))
????????self.conv.add_module("pool_1",nn.MaxPool1d(kernel_size?=?2))
????????self.conv.add_module("relu_1",nn.ReLU())
????????self.conv.add_module("conv_2",nn.Conv1d(in_channels?=?16,out_channels?=?128,kernel_size?=?2))
????????self.conv.add_module("pool_2",nn.MaxPool1d(kernel_size?=?2))
????????self.conv.add_module("relu_2",nn.ReLU())
????????
????????self.dense?=?nn.Sequential()
????????self.dense.add_module("flatten",nn.Flatten())
????????self.dense.add_module("linear",nn.Linear(6144,1))
????????self.dense.add_module("sigmoid",nn.Sigmoid())
????????
????def?forward(self,x):
????????x?=?self.embedding(x).transpose(1,2)
????????x?=?self.conv(x)
????????y?=?self.dense(x)
????????return?y
????
net?=?Net()

i?=?0
for?child?in?net.children():
????i+=1
????print(child,"\n")
print("child?number",i)

Embedding(10000,?3,?padding_idx=1)?

Sequential(
??(conv_1):?Conv1d(3,?16,?kernel_size=(5,),?stride=(1,))
??(pool_1):?MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
??(relu_1):?ReLU()
??(conv_2):?Conv1d(16,?128,?kernel_size=(2,),?stride=(1,))
??(pool_2):?MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
??(relu_2):?ReLU()
)?

Sequential(
??(flatten):?Flatten()
??(linear):?Linear(in_features=6144,?out_features=1,?bias=True)
??(sigmoid):?Sigmoid()
)?

child?number?3

i?=?0
for?name,child?in?net.named_children():
????i+=1
????print(name,":",child,"\n")
print("child?number",i)
embedding?:?Embedding(10000,?3,?padding_idx=1)?

conv?:?Sequential(
??(conv_1):?Conv1d(3,?16,?kernel_size=(5,),?stride=(1,))
??(pool_1):?MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
??(relu_1):?ReLU()
??(conv_2):?Conv1d(16,?128,?kernel_size=(2,),?stride=(1,))
??(pool_2):?MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
??(relu_2):?ReLU()
)?

dense?:?Sequential(
??(flatten):?Flatten()
??(linear):?Linear(in_features=6144,?out_features=1,?bias=True)
??(sigmoid):?Sigmoid()
)?

child?number?3
i?=?0
for?module?in?net.modules():
????i+=1
????print(module)
print("module?number:",i)
Net(
??(embedding):?Embedding(10000,?3,?padding_idx=1)
??(conv):?Sequential(
????(conv_1):?Conv1d(3,?16,?kernel_size=(5,),?stride=(1,))
????(pool_1):?MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
????(relu_1):?ReLU()
????(conv_2):?Conv1d(16,?128,?kernel_size=(2,),?stride=(1,))
????(pool_2):?MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
????(relu_2):?ReLU()
??)
??(dense):?Sequential(
????(flatten):?Flatten()
????(linear):?Linear(in_features=6144,?out_features=1,?bias=True)
????(sigmoid):?Sigmoid()
??)
)
Embedding(10000,?3,?padding_idx=1)
Sequential(
??(conv_1):?Conv1d(3,?16,?kernel_size=(5,),?stride=(1,))
??(pool_1):?MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
??(relu_1):?ReLU()
??(conv_2):?Conv1d(16,?128,?kernel_size=(2,),?stride=(1,))
??(pool_2):?MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
??(relu_2):?ReLU()
)
Conv1d(3,?16,?kernel_size=(5,),?stride=(1,))
MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
ReLU()
Conv1d(16,?128,?kernel_size=(2,),?stride=(1,))
MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
ReLU()
Sequential(
??(flatten):?Flatten()
??(linear):?Linear(in_features=6144,?out_features=1,?bias=True)
??(sigmoid):?Sigmoid()
)
Flatten()
Linear(in_features=6144,?out_features=1,?bias=True)
Sigmoid()
module?number:?13

下面我們通過named_children方法找到embedding層，并將其參數(shù)設(shè)置為不可訓(xùn)練(相當于凍結(jié)embedding層)。

children_dict?=?{name:module?for?name,module?in?net.named_children()}

print(children_dict)
embedding?=?children_dict["embedding"]
embedding.requires_grad_(False)?#凍結(jié)其參數(shù)
{'embedding':?Embedding(10000,?3,?padding_idx=1),?'conv':?Sequential(
??(conv_1):?Conv1d(3,?16,?kernel_size=(5,),?stride=(1,))
??(pool_1):?MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
??(relu_1):?ReLU()
??(conv_2):?Conv1d(16,?128,?kernel_size=(2,),?stride=(1,))
??(pool_2):?MaxPool1d(kernel_size=2,?stride=2,?padding=0,?dilation=1,?ceil_mode=False)
??(relu_2):?ReLU()
),?'dense':?Sequential(
??(flatten):?Flatten()
??(linear):?Linear(in_features=6144,?out_features=1,?bias=True)
??(sigmoid):?Sigmoid()
)}
#可以看到其第一層的參數(shù)已經(jīng)不可以被訓(xùn)練了。
for?param?in?embedding.parameters():
????print(param.requires_grad)
????print(param.numel())
False
30000
from?torchkeras?import?summary
summary(net,input_shape?=?(200,),input_dtype?=?torch.LongTensor)
#?不可訓(xùn)練參數(shù)數(shù)量增加
----------------------------------------------------------------
????????Layer?(type)???????????????Output?Shape?????????Param?#
================================================================
?????????Embedding-1???????????????[-1,?200,?3]??????????30,000
????????????Conv1d-2??????????????[-1,?16,?196]?????????????256
?????????MaxPool1d-3???????????????[-1,?16,?98]???????????????0
??????????????ReLU-4???????????????[-1,?16,?98]???????????????0
????????????Conv1d-5??????????????[-1,?128,?97]???????????4,224
?????????MaxPool1d-6??????????????[-1,?128,?48]???????????????0
??????????????ReLU-7??????????????[-1,?128,?48]???????????????0
???????????Flatten-8?????????????????[-1,?6144]???????????????0
????????????Linear-9????????????????????[-1,?1]???????????6,145
??????????Sigmoid-10????????????????????[-1,?1]???????????????0
================================================================
Total?params:?40,625
Trainable?params:?10,625
Non-trainable?params:?30,000
----------------------------------------------------------------
Input?size?(MB):?0.000763
Forward/backward?pass?size?(MB):?0.287796
Params?size?(MB):?0.154972
Estimated?Total?Size?(MB):?0.443531
----------------------------------------------------------------

如果本書對你有所幫助，想鼓勵一下作者，記得給本項目加一顆星星star??，并分享給你的朋友們喔?!

如果對本書內(nèi)容理解上有需要進一步和作者交流的地方，可以在公眾號后臺回復(fù)關(guān)鍵字：加群，加入讀者交流群和大家討論。

公眾號后臺回復(fù)關(guān)鍵字：pytorch，獲取項目github地址。

總結(jié)

以上是生活随笔為你收集整理的no module named numpy_nn.functional和nn.Module的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。