Press "Enter" to skip to content

【PyTorch】常用的神经网络层汇总(持续补充更新)

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

1. Convolution Layers

 

1.1 nn.Conv2d

 

(1)原型

 

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, 
                padding_mode='zeros', device=None, dtype=None)

 

在由多个输入平面组成的输入信号上应用2D卷积,简言之就是在多通道输入图像上进行卷积操作。

 

(2)参数

in_channe ls  ( int )   — 输入图像的通道数

out_channels   ( int)  — 输出图像(张量表示)的通道数

kernel_size   ( int or tuple)   — 卷积核大小。n*n型的写成   kernel_size = 5   即可,n*m型的则需要写成 kernel_size = (n, m)

stride ( int or tuple, 可选择)  — 卷积步长,即卷积核在图像上每次平移的间隔。默认:1

padding ( int, tuple or str, 可选择)   — 边缘填充,图像上下左右四边填充为 0 的行数和列数。默认:0

padding_mode ( string, 可选择)   — padding的模式: ‘zeros’ , ’reflect’ , ‘replicata’ 或 ‘circular’ 。默认: ‘zeros’

dilatio n ( int or tuple, 可选择)   — 内核元素的间隔,该参数决定了是否采用空洞卷积。默认:1(不采用)

groups ( int, 可选择)   — 输入通道到输出通道之间块状连接的数量。默认:1

bias ( bool, 可选择)  — 是否增加一个可学习的偏置项到输出。默认:True

(3)属性

~Linear.weight  (torch.Tensor)   — 形状为 (out_channels, in_channels / group, kernel_size[0], kernel_size[1]) 的模型的可学习的偏置项

初始化为:

 

~Linear.bias   — 形状为 (out_channels) 的模型的可学习的偏置项

如果bias为True,初始化为:

 

 

(4)用法示例

 

import torch
import torch.nn as nn
m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2), dilation=(3, 1))
print(m)
# (N, C, H, W)
inputImage = torch.randn(20, 16, 50, 100)
output = m(inputImage)
print(output.shape)

 

结果:

 

 

2. Pooling Layers

 

2.1 nn.MaxPool2d

 

(1)原型

 

torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

 

在由多个输入平面组成的输入信号上应用 2D 最大池化。

 

注:当 ceil_mode=True 时,如果滑动窗口从左侧填充或输入中开始,则允许它们越界。在右侧填充区域开始的滑动窗口将被忽略。

 

(2)参数

 

kernel_size — 表示做最大池化的窗口大小,可以是单个值,也可以是tuple元组

 

stride — 卷积步长,即卷积核在图像上每次平移的间隔。 默认: kernel_size

 

padding — 图像上下左右四边填充为 0 的行数和列数。默认:0

 

dilation  — 内核元素的间隔,该参数决定了是否采用空洞卷积。默认:1(不采用)

 

return_indices (bool)  — 是否返回输出的最大索引。默认:False

 

ceil_mode  (bool)   — 使用向上取整(ceil)或向下取整(floor)的方式计算得到输出形状。默认:False(floor,向下取整)

 

(3)用法示例

 

# pool of square window of size=3, stride=2
m = nn.MaxPool2d(3, stride=2)
# pool of non-square window
m = nn.MaxPool2d((3, 2), stride=(2, 1))
input = torch.randn(20, 16, 50, 32)
output = m(input)
print(f'input shape: {input.shape}', f'output shape: {output.shape}', sep='
')

 

结果:

 

 

2.2 nn.AvgPool2d

 

(1)原型

 

torch.nn.AvgPool2d(kernel_size, stride=None, padding=0, ceil_mode=False, count_include_pad=True, divisor_override=None)

 

在由多个输入平面组成的输入信号上应用 2D 平均池化。

 

注:当 ceil_mode=True 时,如果滑动窗口从左侧填充或输入中开始,则允许它们越界。在右侧填充区域开始的滑动窗口将被忽略。

 

(2)参数

 

kernel_size  — 表示做最大池化的窗口大小,可以是单个值,也可以是tuple元组

 

stride  — 卷积步长,即卷积核在图像上每次平移的间隔。 默认:kernel_size

 

padding  — 图像上下左右四边填充为 0 的行数和列数。默认:0

 

ceil_mode  — 使用向上取整(ceil)或向下取整(floor)的方式计算得到输出形状。默认:False(floor,向下取整)

 

count_include_pad  — 是否在平均计算中包含零填充。默认:True

 

divisor_override  — 如果指定,它将用作除数,否则将使用池化区域的大小

 

(3)用法示例

 

# pool of square window of size=3, stride=2
m = nn.AvgPool2d(3, stride=2)
# pool of non-square window
m = nn.AvgPool2d((3, 2), stride=(2, 1))
input = torch.randn(20, 16, 50, 32)
output = m(input)
print(f'
input shape: {input.shape}', f'output shape: {output.shape}', sep='
')

 

2.3 AdaptiveMaxPool2d

 

(1)原型

 

torch.nn.AdaptiveMaxPool2d(output_size, return_indices=False)

 

在由多个输入平面组成的输入信号上应用 2D 自适应最大池化。

 

对于任何输入大小,输出大小为 H out * W out ,输出特征的数量等于输入平面的数量。

 

(2)参数

 

output_size — 目标输出为形如 H out * W out 的图像。可能是一个数组 (H out , W out ) 或者方形图像  H out  * H out   的单项  H out

 

return_indices — 是否返回输出的最大索引。默认:False

 

(3)用法示例

 

# target output size of 5x7
m = nn.AdaptiveMaxPool2d((5, 7))
input = torch.randn(1, 64, 8, 9)
output = m(input)
print(f'input shape: {input.shape}', f'output shape: {output.shape}', sep='
')
# target output size of 7x7 (square)
m = nn.AdaptiveMaxPool2d(7)
input = torch.randn(1, 64, 10, 9)
output = m(input)
print(f'
input shape: {input.shape}', f'output shape: {output.shape}', sep='
')
# target output size of 10x7
m = nn.AdaptiveMaxPool2d((None, 7))
input = torch.randn(1, 64, 10, 9)
output = m(input)
print(f'
input shape: {input.shape}', f'output shape: {output.shape}', sep='
')

 

结果:

 

 

2.4 AdaptiveAvgPool2d

 

(1)原型

 

torch.nn.AdaptiveAvgPool2d(output_size)

 

在由多个输入平面组成的输入信号上应用 2D 自适应平均池化。

 

对于任何输入大小,输出大小为 H x W。 输出特征的数量等于输入平面的数量。

 

(2)参数

output_size  – 目标输出为形如 H * W 的图像。可能是一个数组 (H, W) 或者方形图像 H * H   的单项 H

(3)用法示例

 

# target output size of 5x7
m = nn.AdaptiveAvgPool2d((5, 7))
input = torch.randn(1, 64, 8, 9)
output = m(input)
print(f'input shape: {input.shape}', f'output shape: {output.shape}', sep='
')
# target output size of 7x7 (square)
m = nn.AdaptiveAvgPool2d(7)
input = torch.randn(1, 64, 10, 9)
output = m(input)
print(f'
input shape: {input.shape}', f'output shape: {output.shape}', sep='
')
# target output size of 10x7
m = nn.AdaptiveAvgPool2d((None, 7))
input = torch.randn(1, 64, 10, 9)
output = m(input)
print(f'
input shape: {input.shape}', f'output shape: {output.shape}', sep='
')

 

3. Non-linear Activations (weighted sum, nonlinearity)

 

3.1 nn.Sigmoid

 

(1)原型

 

torch.nn.Sigmoid()

 

(2)Sigmoid函数表达式及图像

 

逐元素执行:

 

 

 

(3)用法示例

 

m = nn.Sigmoid()
input = torch.randn(2)
print(input)
output = m(input)
print(output)

 

结果:

 

 

3.2 nn.Tanh

 

(1)原型

 

torch.nn.Tanh()

 

(2)Tanh函数表达式及图像

 

逐元素执行:

 

 

 

(3)用法示例

 

m = nn.Tanh()
input = torch.randn(2)
print(input)
output = m(input)
print(output)

 

结果:

 

 

3.3 nn.ReLU

 

(1)原型

 

torch.nn.ReLU(inplace=False)

 

(2)ReLU函数表达式及图像

 

逐元素执行:

 

 

 

(3)参数

inplace —  选 择是否就地执行操作,即是否对Input本身执行该操作。若为True,则对Input执行ReLU的同时也会改变(或刷新)Input的值,使得Input=Output;若为False,则不会改变Input的值。默认:False

(4)用法示例

 

m = nn.ReLU()
input = torch.randn(2)
output = m(input)
# An implementation of CReLU - https://arxiv.org/abs/1603.05201
m = nn.ReLU()
input = torch.randn(2).unsqueeze(0)
output = torch.cat((m(input),m(-input)))

 

结果:

 

 

3.4 nn.LeakyReLU

 

(1)定义

 

torch.nn.LeakyReLU(negative_slope=0.01, inplace=False)

 

(2)LeakyReLU函数表达式和图像

 

逐元素执行:

 

 

 

(3)参数

 

negative_slope  — Input的负数部分的斜率。默认:1e-2

 

inplace  — 选择是否就地执行操作,即是否对Input本身执行该操作。若为True,则对Input执行ReLU的同时也会改变(或刷新)Input的值,使得Input=Output;若为False,则不会改变Input的值。默认:False

 

(4)用法示例

 

m = nn.LeakyReLU(0.1)
input = torch.randn(2)
print(input)
output = m(input)
print(output)

 

结果:

 

 

3.5 nn.ReLU6

 

(1)原型

 

torch.nn.ReLU6(inplace=False)

 

(2)ReLU6函数表达式及图像

 

逐元素执行:

 

 

 

(3)参数

inplace — 选择是否就地执行操作,即是否对Input本身执行该操作。若为True,则对Input执行ReLU的同时也会改变(或刷新)Input的值,使得Input=Output;若为False,则不会改变Input的值。默认:False

(4)用法示例

 

m = nn.ReLU6()
input = torch.randn(2)
output = m(input)
print(f'input shape: {input}', f'output shape: {output}', sep='
')

 

结果:

 

 

3.6 nn.GeLU

 

(1)原型

 

torch.nn.GELU

 

(2)GELU函数表 达式及图像

 

逐元素执行:

 

 

是高斯分布的累积分布函数(概率密度函数的积分),表示如下:

 

 

(3)用法示例

 

# GeLU
m = nn.GELU()
input = torch.randn(2)
output = m(input)
print('input: ', input, 'output: ', output, sep='
')

 

结果:

 

 

3.7 nn.SeLU

 

(1)原型

 

torch.nn.SELU(inplace=False)

 

注:当使用 kaiming_normal 或 kaiming_normal_ 进行初始化时,应使用  nonlinearity=’linear’  而不是 nonlinearity=’selu’ ,以获得自归一化神经网络。

 

更多细节详见 Self-Normalizing Neural Networks 一文。

 

(2)SELU函数表达式及图像

 

逐元素执行:

 

 

式中:α=1.6732632423543772848170429916717,scale=1.0507009873554804934193349852946

 

 

(3)参数

inplace ( bool 可选择 ) — 选择是否就地执行操作,即是否对Input本身执行该操作。若为True,则对Input执行ReLU的同时也会改变(或刷新)Input的值,使得Input=Output;若为False,则不会改变Input的值。默认:False

(4)用法示例

 

# SeLU
m = nn.SELU()
input = torch.randn(2)
output = m(input)
print('input: ', input, 'output: ', output, sep='
')

 

结果:

 

 

4. Non-linear Activations (other)

 

4.1 nn.Softmax

 

(1)原型

 

torch.nn.Softmax(dim=None)

 

将 Softmax 函数应用于 n 维的输入张量,改变他们的大小,使得 n 维输出张量的元素位于 [0, 1] 范围内,并且总和为0。

 

当输入张量是稀疏张量时,未指定的值将被视为 -inf。

 

需要注意的是,该模块不直接与 NLLLoss 一起使用,它期望在 Softmax 和自身之间计算 Log。 改用 LogSoftmax(它更快并且具有更好的数值属性)

 

(2)Softmax函数表达式

 

 

(3)参数

dim  ( int )  — 计算 Softmax 的维度(因此沿 dim 的每个切片总和为 1)。

(4)用法示例

 

# Softmax
m = nn.Softmax(dim=1)
input = torch.randn(2, 3)
output = m(input)
print('input: ', input, 'output: ', output, sep='
')

 

结果:

 

 

5 . Normalization Layers

 

5.1 nn.BatchNorm2d

 

(1)原型

 

torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, 
                     track_running_stats=True, device=None, dtype=None)

 

对4D输入应用批量归一化(具有附加通道尺寸的小批量的2D输入)。详述可参考论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift .

 

(2)参数

 

num_features — 指特征数。一般情况下输入的数据格式为(batch_size,num_features,height,width)其中的C为特征数,也称channel数

 

eps — 为了分数值稳定而添加到分母的值。默认:1e-5

 

momentum — 用于运行过程中均值和方差的估计参数。可以将累积移动平均线(即简单平均线)设置为  None 。默认:0.1

 

affine — 此模块是否具有可学习的仿射参数。默认:True

 

track_running_stats — 一个布尔值,当设置为True时,此模块跟踪运行平均值和方差;设置为False时,此模块不跟踪此类统计信息,并将统计信息缓冲区running_mean和running_var初始化为None。当这些缓冲区为None时,此模块将始终使用批处理统计信息。在训练和评估模式下都可以。默认:True

 

(3)用法示例

 

# With Learnable Parameters
m = nn.BatchNorm2d(100)
# Without Learnable Parameters
m = nn.BatchNorm2d(100, affine=False)
input = torch.randn(20, 100, 35, 45)
output = m(input)

 

6. Linear Layers

 

6.1 nn.Linear

 

(1)原型

 

torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None)

 

对输入数据进行线性变换:

 

 

(2)参数

 

in_features — 每个输入样本的尺寸

 

out_features — 每个输出样本的尺寸

 

bias  — 该层是否会学习一个额外的偏置项。默认:True

device — 代表将分配到设备的对象(’cpu’ 或 ‘cuda’,cuda需设置设备编号,比如 ‘cuda:0’、’cuda:1’ 等)

dtype  — 代表数据类型

(3)属性

~Linear.weight (torch.Tensor) — 形状为(out_features, in_features)的模型的可学习的偏置项

初始化为:

 

~Linear.bias — 形状为out_features的模型的可学习的偏置项

如果bias为True,初始化为:

 

 

(4)用法示例

 

# Linear
m = nn.Linear(20, 30)
input = torch.randn(128, 20)
output = m(input)
print(f'output size: {output.size()}', f'weight size: {m.weight.size()}', f'bias size: {m.bias.size()}', sep='
')

 

结果:

 

 

7. Dropout Layers

 

7.1 nn.Dropout

 

(1)原型

 

torch.nn.Dropout(p=0.5, inplace=False)

 

在训练期间,使用来自伯努利分布的样本以概率 p 将输入张量的一些元素随机归零。 每个通道将在每次前向调用时独立归零。

 

Dropout是一种用于正则化和防止神经元间互适应的有效技术,详细介绍可参考 Improving neural networks by preventing co-adaptation of feature detectors 一文。此外,输出在训练期间按 1/(1-p) 倍缩放。 这意味着在评估期间,模块只计算一个恒等函数。

 

输入可以是任意形状的张量,输出形状与输入保持一致。

 

(2)参数

 

p  — 元素归零的概率。默认:0.5

 

inplace  — 选择是否就地执行操作,即是否对Input本身执行该操作。若为True,则对Input执行ReLU的同时也会改变(或刷新)Input的值,使得Input=Output;若为False,则不会改变Input的值。默认:False

 

(3)用法示例

 

# Dropout
m = nn.Dropout(p=0.2)
input = torch.randn(4, 6)
output = m(input)
print('input:', input, 'output:', output, sep='
')

 

结果:

 

 

问:除了以 p=0.2 的概率随机归零的一些元素以外,其他元素的值为什幺也变化了?

 

答:所有的元素都会在训练期间按 1/(1-p) 倍缩放。

 

7.2 nn.Dropout2d

 

(1)原型

 

torch.nn.Dropout2d(p=0.5, inplace=False)

 

不同于前一节的Dropout,Dropout2d是将整个通道随机归零(一个通道通常代表一个2D特征图,比如:在批量输入中,第 i 个样本的第 j 个通道是一个2D的张量 input[i, j]),使用来自伯努利分布的样本,每个通道将在每次前向调用中使用来自伯努利分布的样本以概率 p 独立清零。

 

如论文 Efficient Object Localization Using Convolutional Networks 中所述,如果特征图中的相邻像素是强相关的(通常在早期卷积层中就是这种情况),那幺 dropout 不会规范激活,否则只会导致有效的学习率降低。在这种情况下,nn.Dropout2d() 将有助于促进特征图之间的独立性,应改为使用。

 

输入可以是 (N, C, H, W) 或 (C, H, W) ,输出和输入形状一致,也是(N, C, H, W) 或 (C, H, W) 。

 

(2)参数

 

p — 元素归零的概率。默认:0.5

 

inplace — 选择是否就地执行操作,即是否对Input本身执行该操作。若为True,则对Input执行ReLU的同时也会改变(或刷新)Input的值,使得Input=Output;若为False,则不会改变Input的值。默认:False

 

(3)用法示例

 

# Dropout
m = nn.Dropout(p=0.2)
input = torch.randn(4, 6)
output = m(input)
print('input:', input, 'output:', output, sep='
')

 

结果:

 

 

8. Loss Functions

 

8.1 nn.L1Loss

 

(1)原型

 

torch.nn.L1Loss(size_average=None, reduce=None, reduction='mean')

 

计算输入 x 和目标 y 之间的平均绝对误差(MAE)。x可以是任意维度的张量;y形状和x保持一致。

 

(2)公式

 

(3)参数

 

size_average   ( bool , 可选参数) — 已弃用(参考reduction参数)。默认情况下,损失是批次中每个损失元素的平均值。请注意,对于某些损失,每个样本有多个元素。如果字段 size_average 设置为 False,则将每个 minibatch 的损失相加。当 reduce 为 False 时忽略。默认:True

 

reduce   (bool, 可选参数) — 已弃用(参考reduction参数)。默认情况下,损失会根据 size_average 对每个小批量的观测值进行平均或求和。当 reduce 为 False 时,返回每个批次元素的损失并忽略 size_average。默认:True

 

reduction  ( string , 可选参数) — 指定要用于输出的reduction取值:none,mean,sum。none:不使用reduction;mean:输出的总和将除以输出中的元素数;sum:输出将被求和。注意:size_average 和 reduce 正在被弃用,同时,指定这两个参数中的任何一个都将覆盖 reduction。默认:mean

 

(4)用法示例

 

# L1Loss
loss = nn.L1Loss()
input = torch.randn(3, 5, requires_grad=True)
target = torch.randn(3, 5)
output = loss(input, target)
output.backward()
print(input, target, output, sep='
')

 

结果:

 

 

8.2 nn.MSELoss(L2Loss)

 

(1)原型

 

torch.nn.MSELoss(size_average=None, reduce=None, reduction='mean')

 

计算输入 x 和目标 y 中的每个元素之间的均方误差(平方 L2 范数)

 

(2)公式

 

(3)参数

 

size_average   (bool, 可选参数) — 已弃用(参考reduction参数)。默认情况下,损失是批次中每个损失元素的平均值。请注意,对于某些损失,每个样本有多个元素。如果字段 size_average 设置为 False,则将每个 minibatch 的损失相加。当 reduce 为 False 时忽略。默认:True

 

reduce   (bool, 可选参数) — 已弃用(参考reduction参数)。默认情况下,损失会根据 size_average 对每个小批量的观测值进行平均或求和。当 reduce 为 False 时,返回每个批次元素的损失并忽略 size_average。 默认:True

 

reduction  (string, 可选参数) — 指定要用于输出的reduction取值:none,mean,sum。none:不使用 reduction;mean:输出的总和将除以输出中的元素数;sum:输出将被求和。注意:size_average 和 reduce 正在被弃用,同时,指定这两个参数中的任何一个都将覆盖 reduction。 默认:mean

 

(4)用法示例

 

# MSELoss(L2Loss)
loss = nn.MSELoss()
input = torch.randn(3, 5, requires_grad=True)
target = torch.randn(3, 5)
output = loss(input, target)
output.backward()
print(input, target, output, sep='
')

 

结果:

 

 

8.3 nn.CrossEntropyLoss

 

(1)原型

 

torch.nn.CrossEntropyLoss(weight=None, size_average=None, ignore_index=- 100, reduce=None, reduction='mean', label_smoothing=0.0)

 

计算输入 x 和目标 y 之间的交叉熵损失

 

(2)公式

 

(3)参数

 

weight  (Tensor, 可选参数) – 手动重新调整每个类别的权重。如果给定,则必须是大小为 C 的张量

 

size_average   (bool, 可选参数) – 已弃用(参考reduction参数)。默认情况下,损失是批次中每个损失元素的平均值。请注意,对于某些损失,每个样本有多个元素。如果字段 size_average 设置为 False,则将每个 minibatch 的损失相加。当 reduce 为 False 时忽略。默认:True

 

ignore_index   (int, 可选参数) – 指定一个被忽略且不影响输入梯度的目标值。当 size_average 为 True 时,损失在非忽略目标上进行平均。请注意,ignore_index 仅适用于目标包含类索引时。

 

reduce   (bool, 可选参数) – 已弃用(参考reduction参数)。默认情况下,损失会根据 size_average 对每个小批量的观测值进行平均或求和。当 reduce 为 False 时,返回每个批次元素的损失并忽略 size_average。默认:True

 

reduction  (string, 可选参数) – 指定要用于输出的reduction取值:none,mean,sum。none:不使用reduction;mean:取输出的加权平均值;sum:输出将被求和。注意:size_average 和 reduce 正在被弃用,同时,指定这两个参数中的任何一个都将覆盖 reduction。默认:mean

 

label_smoothing   (float, 可选参数) – [0.0, 1.0]之间的浮点数。指定计算损失时的平滑量,其中0.0表示不平滑。target变成了原本ground truth和  Rethinking the Inception Architecture for Computer Vision   一文中所述的均匀分布的组合。默认值:0.0

 

(4)用法示例

 

# Example of target with class indices
loss = nn.CrossEntropyLoss()
input = torch.randn(3, 5, requires_grad=True)
target = torch.empty(3, dtype=torch.long).random_(5)
output = loss(input, target)
output.backward()
print(input, target, output, sep='
')
print('')
# Example of target with class probabilities
input = torch.randn(3, 5, requires_grad=True)
target = torch.randn(3, 5).softmax(dim=1)
output = loss(input, target)
output.backward()
print(input, target, output, sep='
')

 

结果:

 

 

参考资料

 

1、 PyTorch官方文档

 

2、 【Pytorch系列】nn.BatchNorm2d用法详解

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。