Skip to content

Latest commit

 

History

History
151 lines (110 loc) · 7.27 KB

model-construction.md

File metadata and controls

151 lines (110 loc) · 7.27 KB
Raw

模型构造

让我们回顾一下在“多层感知机的Gluon实现”一节中含单隐藏层的多层感知机的实现方法。我们首先构造Sequential实例，然后依次添加两个全连接层。其中第一层的输出大小为256，即隐藏层单元个数是256；第二层的输出大小为10，即输出层单元个数是10。我们在上一章的其他小节中也使用了Sequential类构造模型。这里我们介绍另外一种基于Block类的模型构造方法：它让模型构造更加灵活。

继承Block类来构造模型

Block类是nn模块里提供的一个模型构造类，我们可以继承它来定义我们想要的模型。下面继承Block类构造本节开头提到的多层感知机。这里定义的MLP类重载了Block类的__init__和forward函数。它们分别用于创建模型参数和定义前向计算。前向计算也即正向传播。

from mxnet import nd
from mxnet.gluon import nn

class MLP(nn.Block):
    # 声明带有模型参数的层，这里我们声明了两个全连接层。
    def __init__(self, **kwargs):
        # 调用 MLP 父类 Block 的构造函数来进行必要的初始化。这样在构造实例时还可以指定
        # 其他函数参数，例如后面章节将介绍的模型参数 params。
        super(MLP, self).__init__(**kwargs)
        self.hidden = nn.Dense(256, activation='relu')  # 隐藏层。
        self.output = nn.Dense(10)  # 输出层。

    # 定义模型的前向计算，即如何根据输入 x 计算返回所需要的模型输出。
    def forward(self, x):
        return self.output(self.hidden(x))

以上的MLP类中无需定义反向传播函数。系统将通过自动求梯度，从而自动生成反向传播所需要的backward函数。

我们可以实例化MLP类得到模型变量net。下面代码初始化net并传入输入数据x做一次前向计算。其中，net(x)会调用MLP继承自Block类的__call__函数，这个函数将调用MLP类定义的forward函数来完成前向计算。

x = nd.random.uniform(shape=(2, 20))
net = MLP()
net.initialize()
net(x)

注意到我们并没有将Block类命名为层（Layer）或者模型（Model）之类的名字，这是因为该类是一个可供自由组建的部件。它的子类既可以是一个层（例如Gluon提供的Dense类），又可以是一个模型（例如这里定义的MLP类），或者是模型的一个部分。我们下面通过两个例子来展示它的灵活性。

Sequential类继承自Block类

我们刚刚提到，Block类是一个通用的部件。事实上，Sequential类继承自Block类。当模型的前向计算为简单串联各个层的计算时，我们可以通过更加简单的方式定义模型。这正是Sequential类的目的：它提供add函数来逐一添加串联的Block子类实例，而模型的前向计算就是将这些实例按添加的顺序逐一计算。

下面我们实现一个跟Sequential类有相同功能的MySequential类。这或许可以帮助你更加清晰地理解Sequential类的工作机制。

class MySequential(nn.Block):
    def __init__(self, **kwargs):
        super(MySequential, self).__init__(**kwargs)

    def add(self, block):
        # block 是一个 Block 子类实例，假设它有一个独一无二的名字。我们将它保存在 Block
        # 类的成员变量 _children 里，其类型是 OrderedDict。当 MySequential 实例调用
        # initialize 函数时，系统会自动对 _children 里所有成员初始化。
        self._children[block.name] = block

    def forward(self, x):
        # OrderedDict 保证会按照成员添加时的顺序遍历成员。
        for block in self._children.values():
            x = block(x)
        return x

我们用MySequential类来实现前面描述的MLP类，并使用随机初始化的模型做一次前向计算。

net = MySequential()
net.add(nn.Dense(256, activation='relu'))
net.add(nn.Dense(10))
net.initialize()
net(x)

可以观察到这里MySequential类的使用跟“多层感知机的Gluon实现”一节中Sequential类的使用没什么区别。

构造复杂的模型

虽然Sequential类可以使得模型构造更加简单，且不需要定义forward函数，但直接继承Block类可以极大地拓展模型构造的灵活性。下面我们构造一个稍微复杂点的网络FancyMLP。在这个网络中，我们通过get_constant函数创建训练中不被迭代的参数，即常数参数。在前向计算中，除了使用创建的常数参数外，我们还使用NDArray的函数和Python的控制流，并多次调用相同的层。

class FancyMLP(nn.Block):
    def __init__(self, **kwargs):
        super(FancyMLP, self).__init__(**kwargs)
        # 使用 get_constant 创建的随机权重参数不会在训练中被迭代（即常数参数）。
        self.rand_weight = self.params.get_constant(
            'rand_weight', nd.random.uniform(shape=(20, 20)))
        self.dense = nn.Dense(20, activation='relu')

    def forward(self, x):
        x = self.dense(x)
        # 使用创建的常数参数，以及 NDArray 的 relu 和 dot 函数。
        x = nd.relu(nd.dot(x, self.rand_weight.data()) + 1)
        # 重用全连接层。等价于两个全连接层共享参数。
        x = self.dense(x)
        # 控制流，这里我们需要调用 asscalar 来返回标量进行比较。
        while x.norm().asscalar() > 1:
            x /= 2
        if x.norm().asscalar() < 0.8:
            x *= 10
        return x.sum()

在这个FancyMLP模型中，我们使用了常数权重rand_weight（注意它不是模型参数）、做了矩阵乘法操作（nd.dot）并重复使用了相同的Dense层。下面我们来测试该模型的随机初始化和前向计算。

net = FancyMLP()
net.initialize()
net(x)

由于FancyMLP和Sequential类都是Block类的子类，我们可以嵌套调用它们。

class NestMLP(nn.Block):
    def __init__(self, **kwargs):
        super(NestMLP, self).__init__(**kwargs)
        self.net = nn.Sequential()
        self.net.add(nn.Dense(64, activation='relu'),
                     nn.Dense(32, activation='relu'))
        self.dense = nn.Dense(16, activation='relu')

    def forward(self, x):
        return self.dense(self.net(x))

net = nn.Sequential()
net.add(NestMLP(), nn.Dense(20), FancyMLP())

net.initialize()
net(x)

小结

  • 我们可以通过继承Block类来构造模型。
  • Sequential类继承自Block类。
  • 虽然Sequential类可以使得模型构造更加简单，但直接继承Block类可以极大地拓展模型构造的灵活性。

练习

  • 如果不在MLP类的__init__函数里调用父类的__init__函数，会出现什么样的错误信息？
  • 如果去掉FancyMLP类里面的asscalar函数，会有什么问题？
  • 如果将NestMLP类中通过Sequential实例定义的self.net改为self.net = [nn.Dense(64, activation='relu'), nn.Dense(32, activation='relu')]，会有什么问题？

扫码直达讨论区