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__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。

In [1]:
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。

In [2]:
x = nd.random.uniform(shape=(2, 20))
net = MLP()
net.initialize()
net(x)
Out[2]:

[[ 0.09543004  0.04614332 -0.00286654 -0.07790349 -0.05130243  0.02942037
   0.08696642 -0.0190793  -0.04122177  0.05088576]
 [ 0.0769287   0.03099705  0.00856576 -0.04467199 -0.06926839  0.09132434
   0.06786595 -0.06187842 -0.03436673  0.04234694]]
<NDArray 2x10 @cpu(0)>

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。

In [3]:
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。

In [4]:
net = MySequential()
net.add(nn.Dense(256, activation='relu'))
net.add(nn.Dense(10))
net.initialize()
net(x)
Out[4]:

[[ 0.00362228  0.00633332  0.03201144 -0.01369375  0.10336449 -0.03508018
  -0.00032164 -0.01676023  0.06978628  0.01303309]
 [ 0.03871715  0.02608213  0.03544959 -0.02521311  0.11005433 -0.0143066
  -0.03052466 -0.03852827  0.06321152  0.0038594 ]]
<NDArray 2x10 @cpu(0)>

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。

In [5]:
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。

In [6]:
net = FancyMLP()
net.initialize()
net(x)
Out[6]:

[18.571953]
<NDArray 1 @cpu(0)>

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

In [7]:
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)
Out[7]:

[24.86621]
<NDArray 1 @cpu(0)>

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