Question

我已经扩展nn.Module来实现我的网络，其转发功能就是这样……

def forward(self, X, **kwargs):

    batch_size, seq_len = X.size()

    length = kwargs['length']
    embedded = self.embedding(X) # [batch_size, seq_len, embedding_dim]
    if self.use_padding:
        if length is None:
            raise AttributeError("Length must be a tensor when using padding")
        embedded = nn.utils.rnn.pack_padded_sequence(embedded, length, batch_first=True)
        #print("Size of Embedded packed", embedded[0].size())


    hidden, cell = self.init_hidden(batch_size)
    if self.rnn_unit == 'rnn':
        out, _ = self.rnn(embedded, hidden)
    elif self.rnn_unit == 'lstm':
        out, (hidden, cell) = self.rnn(embedded, (hidden, cell))


    # unpack if padding was used
    if self.use_padding:
        out, _ = nn.utils.rnn.pad_packed_sequence(out, batch_first = True)

我像这样初始化了NeuralNetClassifier，

net = NeuralNetClassifier(
    model,
    criterion=nn.CrossEntropyLoss,
    optimizer=Adam, 
    max_epochs=8, 
    lr=0.01, 
    batch_size=32
)

现在，如果我拨打net.fit(X, y, length=X_len)会引发错误

TypeError: __call__() got an unexpected keyword argument 'length'

根据文档的fit函数，期望使用fit_params字典，

**fit_params : dict
   Additional parameters passed to the ``forward`` method of
   the module and to the ``self.train_split`` call.

并且源代码总是将我的参数发送到train_split，显然我的关键字参数不会被识别。

有什么方法可以将参数传递给我的转发函数？

Answer 1

fit_params参数用于传递与数据拆分和模型（如拆分组）相关的信息。

在您的情况下，您正在通过fit_params将额外的数据传递给模块，这不是预期的。实际上，例如，如果在火车数据加载器上启用了批量改组，那么这样做很容易会遇到麻烦。

answer to your question on the issue tracker中已经描述了实现此目的的最佳方法：

X_dict = {'X': X, 'length': X_len}
net.fit(X_dict, y)

由于skorch支持dict，因此您可以简单地将长度添加到您的输入字典中，并将其都传递到模块中，进行批量处理并通过同一数据加载器传递。然后，您可以在模块中通过forward中的参数进行访问：

def forward(self, X, length):
     return ...

有关此行为的更多文档，请参见in the docs。

如何从skorch.NeuralNetClassifier.fit（）将参数传递到我的割炬nn.module的转发功能

1 个答案: