时间戳

首页 > 解决方案 > pytorch nn.Module 推理

python - pytorch nn.Module 推理

问题描述

我打算学习 Pytorch。但是在这个阶段我想问一个问题，以便我可以理解我正在阅读的一些代码

当你有一个基类是的类nn.Module时

class My_model(nn.Module)

应该如何在那里进行推理？

在我正在阅读的代码中，它说

tasks_output, other = my_model(data)

那不就是创建一个对象吗？（比如调用类构造函数）

在 pytorch 中，应该如何进行推理？

（作为参考，我说的是什么时候my_model设置为my_model.eval()）

编辑：我很抱歉。我犯了将类和对象声明为一个的错误。我更正了代码

标签： pythonpytorch

解决方案

你有例如：

class My_model(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 4 * 4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 4 * 4)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# Call construtor of Class 
my_model = My_model()

区分类和对象很重要。名称的类在 Python 中以大写字母开头。

如您所见，构造函数不带数据/输入参数，只有函数 forward 有一个。

之后，对于培训，您必须需要：

  1. 标准谁计算带有标签的模型的误差。
  2. 它必须具有反向传播算法的优化器

例子：

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

最后，您必须通过循环需要以下元素：

    # forward + backward + optimize
    outputs = net(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer.step()

在这里，您有一次反向传播迭代。

Pytorch 文档

如果您想考虑反向传播中的推理，您可以阅读如何使用 pytorch 创建图层以及 pytorch 如何使用签名。

张量使用 Autograph 进行反向传播。Pytorch文档示例

import torch

x = torch.ones(5)  # input tensor
y = torch.zeros(3)  # expected output
w = torch.randn(5, 3, requires_grad=True)
b = torch.randn(3, requires_grad=True)
z = torch.matmul(x, w)+b
loss = torch.nn.functional.binary_cross_entropy_with_logits(z, y)
loss.backward()
print(w.grad)
print(b.grad)

结果给出了反向传播，其中交叉熵准则计算模型和标签的距离。张量 z 不是唯一的值矩阵，而是具有 w、b、x、y 的“记忆计算”的类。

在该层中，梯度使用前向函数进行此计算，或者在必要时使用后向函数。

最良好的问候

推荐阅读