网络搭建

基本概念 中我们介绍了计算图、张量和算子,神经网络可以看成一个计算图。在 MegEngine 中,我们按照计算图的拓扑结构,将张量和算子连接起来,即可完成对网络的搭建。MegEngine 提供了基于 functional 和基于 Module 的两种方式搭建网络。 functional 仅提供最基本的算子功能,数据连接的工作完全由用户完成; Module 对网络模块(包含若干算子及其参数的基本单元)进行了进一步的封装,代码更易复用和维护。

基于 functional 搭建网络

functional 包提供了常用的算子函数(如 conv2d()batch_norm() 等)。这些函数接受参与计算的张量并返回计算结果。参与计算的张量通常包括两类:输入数据和该算子自身的参数,其中后者是网路中需要学习的变量。比如,二维卷积( conv2d() )接受多通道的二维图像作为输入数据,把卷积核作为参数,输出经卷积操作后的多通道二维图像。

算子的输入和输出数据都是 Tensor 类型。算子的参数通常由 Parameter 类表示。 ParameterTensor 的子类,其对象(即网络参数)可以被优化器更新。更多内容参见 网络的训练和测试

下面的例子实现了一个两层卷积网络(使用 ReLU 作为激活函数):

import megengine as mge
import megengine.functional as F
import numpy as np

def two_layer_conv(x):
    # (8, 3, 3, 3) 代表(输出信道数,输入信道数,卷积核高度,卷积核宽度)
    conv_weight = mge.Parameter(np.random.randn(8, 3, 3, 3).astype(np.float32))
    # 对于 8 个卷积核,提供 8 个 bias
    conv_bias = mge.Parameter(np.zeros((1, 8, 1, 1), dtype=np.float32))
    x = F.conv2d(x, conv_weight, conv_bias)
    x = F.relu(x)
    conv_weight = mge.Parameter(np.random.randn(16, 8, 3, 3).astype(np.float32))
    conv_bias = mge.Parameter(np.zeros((1, 16, 1, 1), dtype=np.float32))
    x = F.conv2d(x, conv_weight, conv_bias)
    x = F.relu(x)
    return x

# 输入形状为 (2, 3, 32, 32) 的张量
x = mge.tensor(np.random.randn(2, 3, 32, 32).astype(np.float32))
out = two_layer_conv(x)
print(out.shape)

输出:

(2, 16, 28, 28)

基于 Module 搭建网络

在上面的代码中,对于每一个需要参数的算子,都需要单独定义其网络参数。由于“ conv + relu ”这样的组合出现了两次,代码显得臃肿。对于更加复杂的网络,这样的写法可读性、可复用性和可维护性会比较差。

为了更好的封装和复用算子, MegEngine 在 functional 基础上提供了 module 包。

megengine.module 包定义了抽象的网络模块基类 Module 。它是构造网络的基本单元,可以被组合和叠加。它定义了网络模块的基本接口和属性,如“前向传播”等。所有 Module 子类都需要实现 Module 定义的两个抽象方法,介绍如下:

  • __init__() :在构造方法中创建这个模块,包括定义网络参数、构造和连接其子模块等工作。

  • forward() : 该方法定义前向传播计算流程。它接受输入数据并返回前向传播的计算结果。注意, Module 对象是可被调用的 ( callable ),其实现就是 forward()

megengine.module 包提供了常用的网络基本模块,如 Conv2dLinear 等。以 Conv2d 为例,该类的 __init__() 方法定义并初始化卷积核参数,其 forward() 方法执行卷积操作。

基于各种常用的网络模块,我们可以方便地搭建非常复杂的网络。例如,上一个例子的网络定义可以简化成如下写法:

import megengine.module as M

# 为了演示,我们在这里定义了一个简单的卷积模块。注意: MegEngine 已经提供了更为通用的 Conv2d 模块。
class ConvReLU(M.Module):
    def __init__(self, in_channels, out_channels):
        # 先调用父类的初始化
        super().__init__()

        # 定义卷积权重和 bias ,作为模块参数
        self.conv_weight = mge.Parameter(np.random.randn(out_channels, in_channels, 3, 3).astype(np.float32))
        self.conv_bias = mge.Parameter(np.zeros((1, out_channels, 1, 1), dtype=np.float32))
        # 将激活函数 ReLU 作为子模块
        self.relu = M.ReLU()

    def forward(self, x):
        x = F.conv2d(x, self.conv_weight, self.conv_bias)
        x = self.relu(x)
        return x


# 基于 ConvReLU ,定义一个两层卷积网络
class TwoLayerConv(M.Module):
    def __init__(self):
        super().__init__()
        self.conv_relu1 = ConvReLU(3, 8)
        self.conv_relu2 = ConvReLU(8, 16)

    def forward(self, x):
        x = self.conv_relu1(x)
        x = self.conv_relu2(x)
        return x

# 输入形状为 (2, 3, 32, 32) 的张量
x = mge.tensor(np.random.randn(2, 3, 32, 32).astype(np.float32))
two_layer_conv_module = TwoLayerConv()
out = two_layer_conv_module(x)
print(out.shape)

输出:

(2, 16, 28, 28)

使用 Module 定义的网络比使用 functional 进一步封装了内部实现,更易复用,统一的接口使得代码更易维护。 我们推荐使用 Module 搭建网络。

此外, Module 其它常用的方法如下:

  • parameters() : 该方法返回包含网络参数的迭代器。

  • named_parameters() : 该方法返回包含参数名称及对应网络参数的迭代器。

  • state_dict():返回以参数名称和网络参数为键值对的有序字典,可用于保存训练好的模型。比如,对于上面定义的 ConvReLU 模块,打印它的一个实例的 state_dict

conv_relu = ConvReLU(2, 3)
print(conv_relu.state_dict())

输出的参数信息有卷积的权重项 'conv_weight' 和偏置项 'conv_bias'

OrderedDict([('conv_bias', array([[[[0.]],

        [[0.]],

        [[0.]]]], dtype=float32)), ('conv_weight', array([[[[-0.53457755,  0.2799128 , -0.6624546 ],
        [-0.9222688 ,  1.2226251 , -0.5591961 ],
        [-0.45538583, -0.95166504,  1.1570141 ]],

        [[-0.89926094,  0.09956062, -0.7329557 ],
        [-0.67284465,  0.34817234,  0.6731445 ],
        [ 0.61970276,  1.8007269 ,  1.6130987 ]]],


    [[[ 1.7108068 , -1.7188625 , -0.52539474],
        [-0.04049037,  0.03099988, -1.4271212 ],
        [-0.9138133 ,  0.3976046 , -1.1582668 ]],

        [[-1.2193677 ,  0.24107741, -0.50833786],
        [ 0.9088649 , -0.2747458 , -0.1261102 ],
        [ 0.00594431,  0.65737075,  1.5280651 ]]],


    [[[ 0.24874896, -1.3824748 ,  2.2161844 ],
        [-0.6629168 ,  1.0220655 , -0.53007567],
        [ 0.37829646,  1.1993718 ,  1.0667052 ]],

        [[-0.66264534, -0.6392335 , -0.41280702],
        [ 1.7417566 ,  0.75295806, -0.4228349 ],
        [-0.94973356,  2.4136777 , -0.06665667]]]], dtype=float32))])

最后,我们来搭建更加复杂的、经典的 LeNet 网络,其结构如下图:

使用 Module 搭建 LeNet 的代码如下:

class LeNet(M.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        # 单信道图片, 两层  5x5 卷积 + ReLU + 池化
        self.conv1 = M.Conv2d(1, 6, 5)
        self.relu1 = M.ReLU()
        self.pool1 = M.MaxPool2d(2, 2)
        self.conv2 = M.Conv2d(6, 16, 5)
        self.relu2 = M.ReLU()
        self.pool2 = M.MaxPool2d(2, 2)
        # 两层全连接 + ReLU
        self.fc1 = M.Linear(16 * 5 * 5, 120)
        self.relu3 = M.ReLU()
        self.fc2 = M.Linear(120, 84)
        self.relu4 = M.ReLU()
        # 分类器
        self.classifier = M.Linear(84, 10)

    def forward(self, x):
        x = self.pool1(self.relu1(self.conv1(x)))
        x = self.pool2(self.relu2(self.conv2(x)))
        # F.flatten 将原本形状为 (N, C, H, W) 的张量x从第一个维度(即C)开始拉平成一个维度,
        # 得到的新张量形状为 (N, C*H*W) 。 等价于 reshape 操作: x = x.reshape(x.shape[0], -1)
        x = F.flatten(x, 1)
        x = self.relu3(self.fc1(x))
        x = self.relu4(self.fc2(x))
        x = self.classifier(x)
        return x


# 输入形状为 (2, 1, 32, 32) 的张量
x = mge.tensor(np.random.randn(2, 1, 32, 32).astype(np.float32))
le_net = LeNet()
# 调用网络,即执行 le_net 的 forward 成员方法,返回网络处理结果
out = le_net(x)
print(out.shape)

输出:

(2, 10)