python - 我的 PyTorch 转发功能可以做额外的操作吗？

Question

通常，一个forward函数将一堆层串在一起并返回最后一层的输出。在返回之前，我可以在最后一层之后做一些额外的处理吗？例如，一些标量乘法和通过.view?

我知道 autograd 以某种方式计算出渐变。所以我不知道我的额外处理是否会以某种方式搞砸。谢谢。

标签： pythonmachine-learningpytorchautograd

Answer 1

pytorch通过张量的计算图而不是函数来跟踪梯度。只要您的张量具有属性并且它们不是，您就可以（几乎）做任何您喜欢的事情并且仍然能够进行反向传播。 只要您使用 pytorch 的操作（例如，此处和此处列出的操作），您应该没问题。requires_grad=TruegradNone

有关更多信息，请参阅此。

例如（取自torchvision 的 VGG 实现）：

class VGG(nn.Module):

    def __init__(self, features, num_classes=1000, init_weights=True):
        super(VGG, self).__init__()
        #  ...

    def forward(self, x):
        x = self.features(x)
        x = self.avgpool(x)
        x = torch.flatten(x, 1)  # <-- what you were asking about
        x = self.classifier(x)
        return x

在torchvision 的 ResNet 实现中可以看到一个更复杂的例子：

class Bottleneck(nn.Module):
    def __init__(self, inplanes, planes, stride=1, downsample=None, groups=1,
                 base_width=64, dilation=1, norm_layer=None):
        super(Bottleneck, self).__init__()
        # ...

    def forward(self, x):
        identity = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu(out)

        out = self.conv3(out)
        out = self.bn3(out)

        if self.downsample is not None:    # <-- conditional execution!
            identity = self.downsample(x)

        out += identity  # <-- inplace operations
        out = self.relu(out)

        return out