我的 PyTorch 转发功能可以做额外的操作吗？答案

【问题标题】：Can my PyTorch forward function do additional operations?我的 PyTorch 转发功能可以做额外的操作吗？
【发布时间】：2020-06-16 19:16:02
【问题描述】：

通常是forward 函数将一堆层串在一起并返回最后一层的输出。在返回之前，我可以在最后一层之后做一些额外的处理吗？例如，通过.view进行一些标量乘法和整形？

我知道 autograd 会以某种方式计算渐变。所以我不知道我的额外处理是否会以某种方式搞砸。谢谢。

【问题讨论】：

标签： python machine-learning pytorch autograd

【解决方案1】：

pytorch 通过张量的 computational graph 跟踪梯度，而不是通过函数。只要您的张量具有requires_grad=True 属性并且它们的grad 不是None，您就可以（几乎）做任何您喜欢的事情并且仍然能够反向传播。
只要您使用 pytorch 的操作（例如，here 和 here 中列出的操作）就可以了。

欲了解更多信息，请参阅this。

例如（取自torchvision's VGG implementation）：

class VGG(nn.Module):

    def __init__(self, features, num_classes=1000, init_weights=True):
        super(VGG, self).__init__()
        #  ...

    def forward(self, x):
        x = self.features(x)
        x = self.avgpool(x)
        x = torch.flatten(x, 1)  # <-- what you were asking about
        x = self.classifier(x)
        return x

更复杂的例子可以看torchvision's implementation of ResNet：

class Bottleneck(nn.Module):
    def __init__(self, inplanes, planes, stride=1, downsample=None, groups=1,
                 base_width=64, dilation=1, norm_layer=None):
        super(Bottleneck, self).__init__()
        # ...

    def forward(self, x):
        identity = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu(out)

        out = self.conv3(out)
        out = self.bn3(out)

        if self.downsample is not None:    # <-- conditional execution!
            identity = self.downsample(x)

        out += identity  # <-- inplace operations
        out = self.relu(out)

        return out

【讨论】：