Question

在查看姿势估计的一些pytorch代码AlphaPose时，我注意到一些不熟悉的语法：

基本上，我们定义一个Darknet类，该类继承nn.Module这样的属性：class Darknet(nn.Module)

这从一些配置文件重构了神经网络，并且还定义了加载预训练权重和前向传递的功能

现在，正向传递具有以下参数：

def forward(self, x, CUDA)

我应该注意，在类定义中，forward是唯一具有CUDA属性的方法（稍后将变得很重要）

在前向传递中，我们得到了预测：

for i in range(number_of_modules):
     x = self.module[i](x)

其中module[i]的构造如下：

module = nn.Sequential()
conv = nn.Conv2d(prev_fileters, filters, kernel_size, stride, pad, bias=bias)
module.add_module("conv_{0}".format(index), conv)

然后我们调用调用此模型，并（假设）这样的转发方法：

self.det_model = Darknet("yolo/cfg/yolov3-spp.cfg")
self.det_model.load_weights('models/yolo/yolov3-spp.weights')
self.det_model.cpu()
self.det_model.eval()

image = image.cpu()
prediction = self.det_model(img, CUDA = False)

我假设最后一行是正向传递的调用，但是为什么不使用.forward？这是pytorch专用的语法，还是我缺少一些基本的python原理？

Answer 1

这与割炬无关。当您以class_object(fn params)的名称进行调用时，它将调用该类的__call__方法。

如果您深入研究割炬的代码，特别是nn.Module，您将看到__call__在内部调用正向，但要注意pytorch允许的钩子和状态。因此，当您拨打self.det_model(img, cuda)时，您仍在转接。

请参见nn.module here的代码。

调用不带.forward（）的转发函数

1 个答案: