«

pytorch网络模型构建场景的问题如何解决

时间:2024-8-2 10:48     作者:韩俊     分类: Python


今天小编给大家分享一下pytorch网络模型构建场景的问题如何解决的相关知识点,内容详细,逻辑清晰,相信大部分人都还太了解这方面的知识,所以分享这篇文章给大家参考一下,希望大家阅读完这篇文章后有所收获,下面我们一起来了解一下吧。

网络模型构建中的问题

1 输入变量是Tensor张量

各个模块和网络模型的输入, 一定要是

tensor
张量;

可以用一个列表存放多个张量。

如果是张量维度不够,需要升维度,

可以先使用

torch.unsqueeze(dim = expected)

然后再使用

torch.cat(dim )
进行拼接;

需要传递梯度的数据,禁止使用

numpy
, 也禁止先使用numpy,然后再转换成张量的这种情况出现;

这是因为pytorch的机制是只有是

Tensor
 张量的类型,才会有梯度等属性值,如果是numpy这些类别,这些变量并会丢失其梯度值。

2 __init__()方法使用

class ex:
    def __init__(self):
        pass

__init__
方法必须接受至少一个参数即self,

Python中,self是指向该对象本身的一个引用,

通过在类的内部使用self变量,

类中的方法可以访问自己的成员变量,简单来说,self.varname的意义为”访问该对象的varname属性“

当然,

__init__()
中可以封装任意的程序逻辑,这是允许的,init()方法还接受任意多个其他参数,允许在初始化时提供一些数据,例如,对于刚刚的worker类,可以这样写:

class worker:
    def __init__(self,name,pay):
        self.name=name
        self.pay=pay

这样,在创建worker类的对象时,必须提供name和pay两个参数:

b=worker('Jim',5000)

Python会自动调用worker.init()方法,并传递参数。

细节参考这里init方法

3 内置函数setattr()

此时,可以使用python自带的内置函数

setattr()
, 和对应的
getattr()

setattr(object, name, value)

object – 对象。

name – 字符串,对象属性。

value – 属性值。

对已存在的属性进行赋值:
>>>class A(object):
...     bar = 1
... 
>>> a = A()
>>> getattr(a, 'bar')          # 获取属性 bar 值
1
>>> setattr(a, 'bar', 5)       # 设置属性 bar 值
>>> a.bar
5
如果属性不存在会创建一个新的对象属性,并对属性赋值:

>>>class A():
...     name = "runoob"
... 
>>> a = A()
>>> setattr(a, "age", 28)
>>> print(a.age)
28
>>>

setattr() 语法

setattr(object, name, value)

object – 对象。

name – 字符串,对象属性。

value – 属性值。

4 网络模型的构建

注意到, 在python的

__init__()
函数中, 
self
本身就是该类的对象的一个引用,即self是指向该对象本身的一个引用,

利用上述这一点,当在神经网络中,

需要给多个属性进行实例化时,

且这多个属性使用的是同一个类进行实例化.

则使用

setattr(self, string, object1)
添加属性;

class Temporal_GroupTrans(nn.Module):
    def __init__(self,   num_classes=10,num_groups=35, drop_prob=0.5, pretrained= True):
        super(Temporal_GroupTrans, self).__init__()
        conv_block = Basic_slide_conv()
        for i in range( num_groups):
            setattr(self, "group" + str(i), conv_block)
        # 自定义transformer模型的初始化, CustomTransformerModel() 在该类中传入初始化模型的参数,
        # nip:512 输入序列中,每个列向量的编码维度, 16: 注意力头的个数
        # 600: 中间mlp 隐藏层的维数,  6: 堆叠transforEncode 编码模块的个数;
        self.trans_model = CustomTransformerModel(512,16,600, 6,droupout=0.5,nclass=4)

则使用

getattr(self, string, object1)
获取属性;

        trans_input_sequence = []
        for i in range(0, num_groups, ):
            #   每组语谱图的大小是一个 (bt, ch,96,12)的矩阵,组与组之间没有重叠;
            cur_group = x[:, :, :, 12 * i:12 * (i + 1)]
            # VARIABLE_fun = "self.group"   # 每一组,与之对应的卷积模块;
            # cur_fun = eval(VARIABLE_fun + str(i ))
            cur_fun = getattr(self, 'group'+str(i))
            cur_group_out = cur_fun(cur_group).unsqueeze(dim=1)  # [bt,1, 512]
            trans_input_sequence.append(cur_group_out)

标签: python

热门推荐