关于理解 Pytorch .named_modules() 循环的问题

Question

我在这里指的是这个实现：

https://github.com/hszhao/semseg/blob/master/model/pspnet.py

在第 49-58 行，作者写道：

for n, m in self.layer3.named_modules():
    if 'conv2' in n:
        m.dilation, m.padding, m.stride = (2, 2), (2, 2), (1, 1)
    elif 'downsample.0' in n:
        m.stride = (1, 1)

for n, m in self.layer4.named_modules():
    if 'conv2' in n:
        m.dilation, m.padding, m.stride = (4, 4), (4, 4), (1, 1)
    elif 'downsample.0' in n:
        m.stride = (1, 1)

这些循环到底发生了什么？

我的理解是，作者正在创建一个 resnet 模型（他的 resnet.py 这里是 https://github.com/hszhao/semseg/blob/master/model/resnet.py），然后调用不同的层，他在他的 resnet 类中实现了这些层以将它们转发到下面。

resnet.py 中的 layer3 和 layer4 是通过调用函数 def _make_layer(self, block, planes, blocks, stride=1): 生成的，所以我假设在循环中使用 .named_modules() 时，它正在循环通过这个 def _make_layer 函数中的模块，是吗？如果是这样，elif 部分会发生什么？没有模块，称为 downsample.0 ？ （唯一的模块是 nn.Conv2d 和 nn.BatchNorm2d）

Answer 1

下面是在那里使用的 resnet 示例。

model = ResNet(Bottleneck, [3, 4, 6, 3], **kwargs)

在 Resnet 类中，它因此调用 super，它有 self.downsample 如果不是 none：

if self.downsample is not None:
        residual = self.downsample(x)

它可以有顺序层或其他层。

class Bottleneck(nn.Module):
    expansion = 4

    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(Bottleneck, self).__init__()
        self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)
        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)
        self.conv3 = nn.Conv2d(planes, planes * self.expansion, kernel_size=1, bias=False)
        self.bn3 = nn.BatchNorm2d(planes * self.expansion)
        self.relu = nn.ReLU(inplace=True)
        self.downsample = downsample
        self.stride = stride