pytorch __init__、forward与__call__的用法小结

在PyTorch中，我们通常使用nn.Module类来定义神经网络模型。在定义模型时，我们需要实现__init__()、forward()和__call__()方法。这些方法分别用于初始化模型参数、定义前向传播过程和调用模型。

init()方法

init()方法用于初始化模型参数。在该方法中，我们通常定义模型的各个层，并初始化它们的参数。以下是一个示例代码，演示了如何在__init__()方法中定义模型的各个层：

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

在上面的代码中，我们定义了一个Net类，该类继承自nn.Module类。在Net类的构造函数中，我们定义了模型的各个层，包括两个卷积层、两个池化层和三个全连接层。我们使用nn.Conv2d()函数定义卷积层，使用nn.MaxPool2d()函数定义池化层，使用nn.Linear()函数定义全连接层。

forward()方法

forward()方法用于定义模型的前向传播过程。在该方法中，我们通常将输入传递给模型的各个层，并计算输出。以下是一个示例代码，演示了如何在forward()方法中定义模型的前向传播过程：

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

在上面的代码中，我们在Net类中定义了forward()方法。在该方法中，我们首先将输入x传递给第一个卷积层，并使用ReLU激活函数和池化层。接下来，我们将输出传递给第二个卷积层，并再次使用ReLU激活函数和池化层。然后，我们将输出展平，并传递三个全连接层。最后，我们返回输出。

call()方法

call()方法用于调用模型。在该方法中，我们通常将输入传递给forward()方法，并计算输出。以下是一个示例代码，演示了如何在__call__()方法中调用模型：

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def __call__(self, x):
        return self.forward(x)

在上面的代码中，我们在Net类中定义了__call__()方法。在该方法中，我们将输入x传递给forward()方法，并返回输出。这样，我们就可以使用Net类的实例来调用模型。例如，我们可以使用以下代码来调用模型：