时间戳

首页 > 解决方案 > 有人可以解释这个 pytorch 神经网络代码吗？这里有两种不同的神经网络还是一种？

python - 有人可以解释这个 pytorch 神经网络代码吗？这里有两种不同的神经网络还是一种？

问题描述

class doubleNetwork(nn.Module):

def __init__(self, input_dim, output_dim):
    super(doubleNetwork, self).__init__()
    self.policy1 = nn.Linear(input_dim, 256) 
    self.policy2 = nn.Linear(256, output_dim)

    self.value1 = nn.Linear(input_dim, 256)
    self.value2 = nn.Linear(256, 1)

def forward(self, state):
    logits = F.relu(self.policy1(state))
    logits = self.policy2(logits)

    value = F.relu(self.value1(state))
    value = self.value2(value)

    return logits, value

  1. 是policy1，value1在不同的网络中还是相同的？

  2. 这里有两个不同的神经网络还是一个？

  3. 这里的代码发生了什么？

标签： pythonpython-3.xneural-networkpytorch

解决方案

您有两个并行的网络。你可以在 forward 方法中看到它：

state-> policy1-> policy2->logits

state-> value1-> value2->value

policy1、policy2和是 4 个不同value1且value2独立的全连接（线性）层。该nn.Linear方法每次调用时都会创建一个新的神经元层。

编辑以获取更多详细信息：

在您的代码中定义一个doubleNetwork类，该__init__方法将在您创建此类的对象时调用

所以这一行：

my_network = doubleNetwork(10,15)

调用该__init__方法，并创建一个新的 doubleNetwork 对象。newtork 将有 4 个属性 value1、value1、policy1、policy2，它们是全连接层。

该行：

self.policy1 = nn.Linear(input_dim, 256)

创建一个新的线性对象，它是一个完全连接的层，当这条线被执行时，层的权重被初始化。

network的forward方法定义了调用网络对象时追加的内容。例如像这样的一行：

output1, output2 = my_network(input)

forward 中编写的代码是应用于输入的函数。这里作为状态的输入被传递到一侧的两个策略层，然后传递到两个值层。然后返回两个输出。所以网络是一个输入和两个输出的分叉形式。

在这段代码中，它是一个网络，但由于两个输出仅依赖于输入并且彼此独立，我们可以将它们定义在两个独立的网络中，结果相同。例如看代码：

class SingleNetwork(nn.Module):

def __init__(self, input_dim, output_dim):
    super(doubleNetwork, self).__init__()
    self.layer1 = nn.Linear(input_dim, 256) 
    self.layer2 = nn.Linear(256, output_dim)

def forward(self, state):
    output = F.relu(self.layer1(state))
    output = self.layer2(output)

    return output

my_network1 = singleNetwork(10,15)
my_network2 = singleNetwork(10,1)

然后：

output1 = my_network1(input)
output2 = my_network2(input)

将相当于

 output1, output2 = my_network(input)

推荐阅读