Question

我正在阅读Maxim Lapan的《深度学习动手》。我在第2章中遇到了这段代码，但我不太明白。谁能解释为什么print（out）的输出给出三个参数而不是我们输入的单个float张量。而且，为什么这里需要超函数？最后，正向接受的x参数是什么？谢谢。

class OurModule(nn.Module):
    def __init__(self, num_inputs, num_classes, dropout_prob=0.3):  #init 
        super(OurModule, self).__init__() #Call OurModule and pass the net instance (Why is this necessary?) 
        self.pipe = nn.Sequential( #net.pipe is the nn object now
            nn.Linear(num_inputs, 5),
            nn.ReLU(),
            nn.Linear(5, 20),
            nn.ReLU(),
            nn.Linear(20, num_classes),
            nn.Dropout(p=dropout_prob),
            nn.Softmax(dim=1)
        )

    def forward(self, x): #override the default forward method by passing it our net instance and (return the nn object?). x is the tensor? This is called when 'net' receives a param?
        return self.pipe(x)

if __name__ == "__main__":
    net = OurModule(num_inputs=2, num_classes=3)
    print(net)
    v = torch.FloatTensor([[2, 3]])
    out = net(v)
    print(out) #[2,3] put through the forward method of the nn? Why did we get a third param for the output?
    print("Cuda's availability is %s" % torch.cuda.is_available()) #find if gpu is available
    if torch.cuda.is_available():
        print("Data from cuda: %s" % out.to('cuda'))

OurModule.__mro__

Answer 1

OurModule定义了一个PyTorch nn.Module，它接受2输入（num_inputs）并产生3输出（num_classes）。

它包括：

接受Linear输入并产生2输出的5层
一个ReLU
接受Linear输入并产生5输出的20层
一个ReLU
接受Linear输入并产生20（3）输出的num_classes层
Dropout层
Softmax层

您创建由v个输入组成的2，并在调用forward()时将其通过此网络的net(v)方法传递。然后，运行此网络（3输出）的结果存储在out中。

在您的示例中，x取值为v，torch.FloatTensor([[2, 3]])

Answer 2

尽管@JoshVarty提供了一个很好的答案，但我想补充一点。

为什么这里需要超级功能

类OurModule继承了nn.Module。超级功能意味着您要使用父级的nn.Module函数，即init。您可以参考source code来查看父类在init函数中的确切作用。

来自“深度强化学习：动手实践”的Pytorch问题

2 个答案: