Pytorch: почему print (модель) не показывает функции активации?

Question

Мне нужно извлечь веса, смещение и, по крайней мере, тип функции активации из обученного NN в pytorch.

Я знаю, что для извлечения весов и смещений используется команда:

model.parameters()

, но я не могу понять, как извлечь также функцию активации, используемую на Слои. Вот моя сеть

class NetWithODE(torch.nn.Module):
    def __init__(self, n_feature, n_hidden, n_output, sampling_interval, scaler_features):
        super(NetWithODE, self).__init__()
        self.hidden = torch.nn.Linear(n_feature, n_hidden)  # hidden layer
        self.predict = torch.nn.Linear(n_hidden, n_output)  # output layer
        self.sampling_interval = sampling_interval
        self.device = torch.device("cpu")
        self.dtype = torch.float
        self.scaler_features = scaler_features

    def forward(self, x):
        x0 = x.clone().requires_grad_(True)
        # activation function for hidden layer
        x = F.relu(self.hidden(x))
        # linear output, here r should be the output
        r = self.predict(x)
        # Now the r enters the integrator
        x = self.integrate(r, x0)

        return x

    def integrate(self, r, x0):
        # RK4 steps per interval
        M = 4
        DT = self.sampling_interval / M
        X = x0

        for j in range(M):
            k1 = self.ode(X, r)
            k2 = self.ode(X + DT / 2 * k1, r)
            k3 = self.ode(X + DT / 2 * k2, r)
            k4 = self.ode(X + DT * k3, r)
            X = X + DT / 6 * (k1 + 2 * k2 + 2 * k3 + k4)

        return X

    def ode(self, x0, r):
        qF = r[0, 0]
        qA = r[0, 1]
        qP = r[0, 2]
        mu = r[0, 3]

        FRU = x0[0, 0]
        AMC = x0[0, 1]
        PHB = x0[0, 2]
        TBM = x0[0, 3]

        fFRU = qF * TBM  
        fAMC = qA * TBM  
        fPHB = qP - mu * PHB
        fTBM = mu * TBM

        return torch.stack((fFRU, fAMC, fPHB, fTBM), 0)

, если я запускаю команду

print(model)

Я получаю

NetWithODE(
  (hidden): Linear(in_features=4, out_features=10, bias=True)
  (predict): Linear(in_features=10, out_features=4, bias=True)
)

Но где я могу получить функцию активации ( в этом случае Relu)? ​​

У меня есть pytorch 1.4.

Answer 1

Существует два способа добавления операций в сетевой граф: функциональный способ низкого уровня и более сложный объектный способ. Последний нужен для того, чтобы сделать вашу структуру наблюдаемой. В первом случае это просто вызов (не совсем, но ...) функции без сохранения информации о ней. Таким образом, вместо

    def forward(self, x):
    ...
        x = F.relu(self.hidden(x))

это должно быть что-то вроде

def __init__(...):
    ...
    self.myFirstRelu= torch.nn.ReLU()

def forward(self, x):
    ...
    x1 = self.hidden(x)
    x2 = self.myFirstRelu(x1)

В любом случае сочетание двух этих способов, как правило, плохая идея, хотя даже у моделей torchvision есть такие несоответствия: models.inception_v3 не регистрировать пулы, например> :-(.

---

UPD: - Спасибо, это работает, теперь, если я печатаю, я вижу ReLU (). Но это, кажется, только печатать функции в том же порядке, в котором они определены в init . Есть ли способ получить ассоциации между слоями и функциями активации? Например, я хочу знать, какая активация была применена к слою 1, а какая к слою 2 конец так далее ...

Единого пути не существует, но есть несколько хитростей: путь объекта:

-просто инициализируйте их в порядке

-используйте torch.nn.Sequential

-связать обратные вызовы на таких узлах -

def hook( m, i, o):
    print( m._get_name() )

for ( mo ) in model.modules():
    mo.register_forward_hook(hook)

функциональный и объектный способ:

-использовать внутренний граф модели, построенный на форварде пройти, как torchviz do (https://github.com/szagoruyko/pytorchviz/blob/master/torchviz/dot.py), или просто использовать график, сгенерированный указанным * 103 3 *.