仅将“Sequential()”或“HybridSequential()”用作容器是否有任何副作用？

Question

我正在阅读有关 MxNet 的教程。作者使用“mxnet.gluon.nn.Sequential()”作为容器来存储一些块（参见代码 1）；然后，他们重写了“def forward(self, x)”中的块连接（参见代码 2 和 3）。这样做有什么副作用吗？顺便说一下，‘Sequential()’和‘HybridSequential()’有什么区别。我尝试使用一个列表来替换“顺序”，并且在初始化过程中收到以下警告。

“ToySSD.downsamplers”是一个带有块的容器。请注意，列表、元组或字典中的块不会自动注册。 确保使用 register_child() 注册它们或切换到 nn.Sequential/nn.HybridSequential 代替。'

据我所知，如果你在 'mxnet.gluon.nn.Sequential()' 或 'mxnet.gluon.nn.HybridSequential()' 中放入一些块，这个动作是告诉计算机这些块是连接的.但是，如果您在“前进”功能中设计块的关系，您就是在告诉计算机以另一种方式连接这些块。会不会造成混乱？如果我只在'forward'中设计一些块连接，'Sequential()'中没有在'forward'函数中设计的其他块的关系是什么？

整个教程可以在here找到。

代码1：

def toy_ssd_model(num_anchors, num_classes):
    downsamplers = nn.Sequential()
    for _ in range(3):
        downsamplers.add(down_sample(128))

    class_predictors = nn.Sequential()
    box_predictors = nn.Sequential()    
    for _ in range(5):
        class_predictors.add(class_predictor(num_anchors, num_classes))
        box_predictors.add(box_predictor(num_anchors))

    model = nn.Sequential()
    model.add(body(), downsamplers, class_predictors, box_predictors)
    return model

代码 2：

def toy_ssd_forward(x, model, sizes, ratios, verbose=False):    
    body, downsamplers, class_predictors, box_predictors = model
    anchors, class_preds, box_preds = [], [], []
    # feature extraction    
    x = body(x)
    for i in range(5):
        # predict
        anchors.append(MultiBoxPrior(
            x, sizes=sizes[i], ratios=ratios[i]))
        class_preds.append(
            flatten_prediction(class_predictors[i](x)))
        box_preds.append(
            flatten_prediction(box_predictors[i](x)))
        if verbose:
            print('Predict scale', i, x.shape, 'with', 
                  anchors[-1].shape[1], 'anchors')
        # down sample
        if i < 3:
            x = downsamplers[i](x)
        elif i == 3:
            x = nd.Pooling(
                x, global_pool=True, pool_type='max', 
                kernel=(x.shape[2], x.shape[3]))
    # concat data
    return (concat_predictions(anchors),
            concat_predictions(class_preds),
            concat_predictions(box_preds))

代码 3：

from mxnet import gluon
class ToySSD(gluon.Block):
    def __init__(self, num_classes, verbose=False, **kwargs):
        super(ToySSD, self).__init__(**kwargs)
        # anchor box sizes and ratios for 5 feature scales
        self.sizes = [[.2,.272], [.37,.447], [.54,.619], 
                      [.71,.79], [.88,.961]]
        self.ratios = [[1,2,.5]]*5
        self.num_classes = num_classes
        self.verbose = verbose
        num_anchors = len(self.sizes[0]) + len(self.ratios[0]) - 1
        # use name_scope to guard the names
        with self.name_scope():
            self.model = toy_ssd_model(num_anchors, num_classes)

    def forward(self, x):
        anchors, class_preds, box_preds = toy_ssd_forward(
            x, self.model, self.sizes, self.ratios, 
            verbose=self.verbose)
        # it is better to have class predictions reshaped for softmax computation       
        class_preds = class_preds.reshape(shape=(0, -1, self.num_classes+1))
        return anchors, class_preds, box_preds

Answer 1

在 Gluon 中，网络是使用 Blocks 构建的。如果某些东西不是Block，它就不能成为 Gluon 网络的一部分。密集层是Block，卷积层是Block，池化层是Block，等等

有时您可能需要一个不是 Gluon 中预定义块而是一系列预定义 Gluon 块的块。例如，

Conv2D -> MaxPool2D -> Conv2D -> MaxPool2D -> Flatten -> Dense -> Dense

Gluon 没有执行上述操作序列的预定义块。但是 Gluon 确实具有执行每个单独操作的块。因此，您可以通过将预定义的 Gluon 块串在一起来创建自己的块来执行上述操作序列。示例：

net = gluon.nn.HybridSequential()

with net.name_scope():

    # First convolution
    net.add(gluon.nn.Conv2D(channels=20, kernel_size=5, activation='relu'))
    net.add(gluon.nn.MaxPool2D(pool_size=2, strides=2))

    # Second convolution
    net.add(gluon.nn.Conv2D(channels=50, kernel_size=5, activation='relu'))
    net.add(gluon.nn.MaxPool2D(pool_size=2, strides=2))

    # Flatten the output before the fully connected layers
    net.add(gluon.nn.Flatten())

    # First fully connected layers with 512 neurons
    net.add(gluon.nn.Dense(512, activation="relu"))

    # Second fully connected layer with as many neurons as the number of classes
    net.add(gluon.nn.Dense(num_outputs))

当您创建这样的序列时，您可以使用HybridSequential 或Sequential。要了解区别，您需要了解difference between symbolic and imperative programming。

• HybridBlock 是一个可以转换为符号图以加快执行速度的块。 HybridSequential 是 Hybrid 块的序列。
• Blocks（不是混合的）是一个不能转换为符号图的块。 Sequential 是一系列非混合块。

一个块是否是混合的取决于它是如何实现的。几乎所有预定义的 Gluon 块也是 HybridBlocks。有时有些块不能混合是有原因的。 Tree LSTM 就是一个例子。更常见的情况是，某些东西不是混合的，只是因为编写它的人没有努力使其成为混合，原因有几个（例如：可能使其混合不会带来很大的性能提升，或者可能很难使块混合)。

请注意，Sequential 和 HybridSequential 不仅仅是像 Python list 这样的容器。当您使用其中一个时，您实际上是在使用预先存在的块创建一个新的Block。这就是为什么您不能使用 Python list 替换 Sequential。

好的，所以您知道如何通过将预先存在的块串在一起来创建自己的块。好的。如果您不想只通过一系列块传递数据怎么办？如果您想有条件地通过这些块之一传递数据怎么办。这是来自 ResNet 的示例：

class BasicBlockV1(HybridBlock):
    def __init__(self, channels, stride, downsample=False, in_channels=0, **kwargs):
        super(BasicBlockV1, self).__init__(**kwargs)
        self.body = nn.HybridSequential(prefix='')
        self.body.add(_conv3x3(channels, stride, in_channels))
        self.body.add(nn.BatchNorm())
        self.body.add(nn.Activation('relu'))
        self.body.add(_conv3x3(channels, 1, channels))
        self.body.add(nn.BatchNorm())
        if downsample:
            self.downsample = nn.HybridSequential(prefix='')
            self.downsample.add(nn.Conv2D(channels, kernel_size=1, strides=stride,
                                          use_bias=False, in_channels=in_channels))
            self.downsample.add(nn.BatchNorm())
        else:
            self.downsample = None

    def hybrid_forward(self, F, x):
        residual = x

        x = self.body(x)

        if self.downsample:
            residual = self.downsample(residual)

        x = F.Activation(residual+x, act_type='relu')

        return x

此代码使用预先存在的 Gluon 块创建一个新块。但它不仅仅是通过一些预先存在的块运行数据。给定一些数据，该块通过 body block aways 运行数据。但是，只有在创建此 Block 且将 downsample 设置为 true 时，才通过 downsample 运行数据。然后它连接body 和downsample 的输出以创建输出。就像您可以看到的那样，发生的不仅仅是通过一系列块传递数据。这是当您通过子类化 HybridBlock 或 Block 创建自己的块时。

请注意，__init__ 函数创建了必要的块，forward 函数获取输入并通过在__init__ 中创建的块运行输入。 forward 不会修改在 __init__ 中创建的块。它仅通过__init__ 中创建的块运行数据。

在您引用的示例中，第一个代码块创建了 downsamplers、class_predictors、box_predictors 之类的块。代码块 2 和 3 中的转发函数不会修改这些块。它们只是通过这些块传递输入数据。