PyTorch之前向传播函数forward用法解读
作者：鹊踏枝-码农
这篇文章主要介绍了PyTorch之前向传播函数forward用法,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
之前向传播函数forward用法
神经网络的典型处理如下所示：
- 1.定义可学习参数的网络结构（堆叠各层和层的设计）；
- 2.数据集输入；
- 3.对输入进行处理（由定义的网络层进行处理）,主要体现在网络的前向传播；
- 4.计算loss ，由Loss层计算；
- 5.反向传播求梯度；
- 6.根据梯度改变参数值,最简单的实现方式（SGD）为:
weight = weight - learning_rate * gradient
利用PyTorch定义深度网络层（Op）示例
class FeatureL2Norm(torch.nn.Module):
def __init__(self):
super(FeatureL2Norm, self).__init__()
def forward(self, feature):
epsilon = 1e-6
# print(feature.size())
# print(torch.pow(torch.sum(torch.pow(feature,2),1)+epsilon,0.5).size())
norm = torch.pow(torch.sum(torch.pow(feature,2),1)+epsilon,0.5).unsqueeze(1).expand_as(feature)
return torch.div(feature,norm)class FeatureRegression(nn.Module):
def __init__(self, output_dim=6, use_cuda=True):
super(FeatureRegression, self).__init__()
self.conv = nn.Sequential(
nn.Conv2d(225, 128, kernel_size=7, padding=0),
nn.BatchNorm2d(128),
nn.ReLU(inplace=True),
nn.Conv2d(128, 64, kernel_size=5, padding=0),
nn.BatchNorm2d(64),
nn.ReLU(inplace=True),
)
self.linear = nn.Linear(64 * 5 * 5, output_dim)
if use_cuda:
self.conv.cuda()
self.linear.cuda()
def forward(self, x):
x = self.conv(x)
x = x.view(x.size(0), -1)
x = self.linear(x)
return x由上例代码可以看到，不论是在定义网络结构还是定义网络层的操作（Op），均需要定义forward函数，下面看一下PyTorch官网对PyTorch的forward方法的描述：
那么调用forward方法的具体流程是什么样的呢？
以一个Module为例：
- 1.调用module的call方法
- 2.module的call里面调用module的forward方法
- 3.forward里面如果碰到Module的子类，回到第1步，如果碰到的是Function的子类，继续往下
- 4.调用Function的call方法
- 5.Function的call方法调用了Function的forward方法。
- 6.Function的forward返回值
- 7.module的forward返回值
- 8.在module的call进行forward_hook操作，然后返回值。
上述中“调用module的call方法”是指nn.Module 的__call__方法。
定义__call__方法的类可以当作函数调用，具体参考Python的面向对象编程。
也就是说，当把定义的网络模型model当作函数调用的时候就自动调用定义的网络模型的forward方法。
nn.Module 的__call__方法部分源码
如下所示：
def __call__(self, *input, **kwargs):
result = self.forward(*input, **kwargs)
for hook in self._forward_hooks.values():
#将注册的hook拿出来用
hook_result = hook(self, input, result)
...
return result可以看到，当执行model(x)的时候，底层自动调用forward方法计算结果。
具体示例如下：
class LeNet(nn.Module):
def __init__(self):
super(LeNet, self).__init__()
layer1 = nn.Sequential()
layer1.add_module('conv1', nn.Conv(1, 6, 3, padding=1))
layer1.add_moudle('pool1', nn.MaxPool2d(2, 2))
self.layer1 = layer1
layer2 = nn.Sequential()
layer2.add_module('conv2', nn.Conv(6, 16, 5))
layer2.add_moudle('pool2', nn.MaxPool2d(2, 2))
self.layer2 = layer2
layer3 = nn.Sequential()
layer3.add_module('fc1', nn.Linear(400, 120))
layer3.add_moudle('fc2', nn.Linear(120, 84))
layer3.add_moudle('fc3', nn.Linear(84, 10))
self.layer3 = layer3
def forward(self, x):
x = self.layer1(x)
x = self.layer2(x)
x = x.view(x.size(0), -1)
x = self.layer3(x)
return x- model = LeNet()
- y = model(x)
如上则调用网络模型定义的forward方法。
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。