【模型】认识一下-pytorch的模型

从这节开始，我们要开始熟悉使用pytorch来构建模型的方法了。

在这里，我们只要能够依葫芦画瓢地构建一个MLP模型就算很不错了~后面我们再继续模仿其它模型的实现，等我们写得多了，再来详细地说说它的语法到底是怎么回事、然后彻底弄懂它。总的来说，先动手后理解是再好不过好的方式了，这一节我们就先模仿就好了。好了，让我们开始吧！

一、pytorch的前馈模型

MLP是前馈模型的经典，我们这里以MLP模型为例，先学会怎么用pytorch来定义一个MLP模型。

1.1. pytorch前馈模型-代码示例

我们直接上一个三层MLP的代码，然后跟着代码来学。

# 本代码用于展示:用pytorch搭建MLP
# 本代码来自《老饼讲解-深度学习》www.bbblearn.com
import torch
from   torch import nn
class MLP(nn.Module):                   # 定义一个模型,继承nn.Module                                           
    def __init__(self,xn,hn,yn):        # 模型的初始化函数                                             
        super(MLP, self).__init__()     # 调用上级初始化                   
        self.stack = nn.Sequential(     # 定义一个前馈序列                                    
            nn.Linear(xn, hn),          # 定义一个线性层                              
            nn.Tanh(),                  # tanh运算                                   
            nn.Linear(hn, yn)           # 定义一个线性层                       
            )                                                             
    def forward(self, x):               # 模型的输出
        y = self.stack(x)               # 计算模型的输出                                 
        return y                        # 返回输出值
model = MLP(2,4,2)                      # 初始化模型
x = torch.tensor([[3.,2.]])             # 输入数据
y = model(x)                            # 计算模型的输出
print("模型的输出:",y)                  # 打印结果

运行结果如下：

这就是用pytorch定义了一个2输入、4隐层、2输出的MLP后，模型得到的输出结果。

二.、代码解说

好了，下面解释下代码是怎么回事。

1.1. 模型的定义

好了，我们先来看看模型定义的部分，如下：

第5行，MLP(nn.Module)中的MLP是我们的模型名称，名称可以改任意名称，但nn.Module必须照着写，它代表我们的模型继承了nn.Module类，它需要实现__init__与forward方法，__init__用于模型的初始化，而forward则用于模型的计算，不要急，看下去就会明白了。

第6行是模型初始化时所调用的函数__init__，由于我们构建的是三层MLP，所以我们这里指定了xn,hn,yn三个初始化时需要传入的参数，它们分别代表模型的输入个数、隐节点个数、输出节点个数。

第7行代表调用上级的初始化，照着写就行了，需要注意的是这里的MLP需要我们上面定义的模型名称一致。

第8行用nn.Sequential来定义一个前馈序列，括号里的东西就会按顺序运算。这里我们把它赋值给模型私有(self)变量stack，因为我们后面forward中要调用它，stack只是个变量名称，可以自己随便改。

第9行nn.Linear(xn, hn)代表一个线性运算层，即wx+b，括号里的(xn,hn)代表线性层的输入、输出维度。

第10行nn.Tanh()就是tanh函数了，用它将线性层的输出进行激活。也可以换成nn.ReLU()来玩玩。

第11行就是输出层的线性运算层了。

到了这里，初始化就结束了，主要是定义了一个前馈序列stack，它包含了线性层->tanh->线性层这样的运算。开始说forward了，它代表给模型一个输入后，模型如何进行输出，而之前初始化中定义的东西，就可以在这使用了。

第13行，forward函数的定义，这里我们定义forward函数必须传入一个x。

第14行，直接调用__init__中定义的stack对x计算，即，将x按序列中的线性层->tanh->线性层计算来得到y。

第15行，直接返回结果，没什么好说的。

好了，再整体回顾一下，其实就是继承nn.Module类来定义一个自己的模型，然后初始化部分先定义好forward里要用的东西，再写写forward里具体的计算流程。先依葫芦画瓢就行了，无非就是改改模型的神经元个数、激活函数之类的，后面慢慢就会懂了的，不要急。

1.2.模型的使用

好了，下面再来说说模型的使用。

第16行，初始化一个MLP模型，这里传入了(2,4,2)，它就是之前在模型定义的入参：xn,hn,yn。

第17、18、19行，先设置一个x，然后用model(x)来计算模型的输出，然后打印结果。值得说的是，当我们调用model(x)时，模型就会调用forward函数来计算输出，也就是13-15行的内容。

三、模型的参数

上面我们定义了模型，模型里写了具体的运算，但并没有体现出模型的参数在哪。

好了，下面我们说说小白上手时对模型参数的相关疑问。

3.1. 怎么看模型的参数

好了，有的小伙伴就会问，如果要查看模型的参数，怎么办？

其实很简单，用model.parameters()或model.named_parameters()就可以得到模型的参数了。其中parameters()是不带名称的，而named_parameters()是带名称的。

具体示例如下：

print("\n参数列表(不带名称):")
print(list(model.parameters()))
print("\n参数字典(带名称):")
print(dict(model.named_parameters()))

运行结果如下：

可以看到，这样就能获取到模型中的权重、阈值等参数了。

其中，model.parameters()一般搭配list来强制转化为列表对象，方便使用，而model.named_parameters()则搭配dict来强制转化为字典对象，方便使用。

3.2. 模型参数从何而来

好了，有的小伙伴又疑问了，模型中全程没看到W,B这些参数的定义，怎么model.parameters()就能冒出这些参数来了呢？

其实在我们使用nn.Linear(xn, hn)时，它所返回的对象中就包含了参数了。其实我们也可以自己在模型中定义一些参数，只是现在基本都只是调用pytorch提供给我们的模型就能搭建一般的模型了，所以用不着自己定义参数，这里先不说，以后用到时再说。但简单来说，就是你可以在模型定义时，告诉它哪些是参数，然后模型就会把它管理起来。而nn.Linear(xn, hn)里就做了这样的定义，指明了w,b是模型参数。然后进一步地，它就被我们的模型管理起来了，用model.parameters()时就能打印出这些参数了。

3.3. 如何对模型初始化

如果想对模型参数进行初始化，最简单、原始的方法就是直接把参数拿出来，然后一个一个初始化就行了。这里我们就不演示了，以后在综合的代码中看到就会了。

结束语

这次我们又学会了如何用pytorch来定义模型，又离专业更近一步了。不过这节里我们只是简单的认识它，后面再边学习模型、边在代码中慢慢的更加熟悉、深刻地了解它，在这阶段我们能够依葫芦画瓢就已经很棒了，后面在《Part-2-CNN》中我们再来详细讲解它到底是怎么回事。