“深度强化学习:动手”中的Pytorch问题

Question

我正在读Maxim Lapan的“深度学习实践”。我在第二章中遇到了这段代码，有几件事我不明白。谁能解释一下为什么print(out)的输出给出了三个参数，而不是我们输入的单个浮点张量。另外，为什么这里需要超级函数呢？最后，forward接受的x参数是什么？谢谢。

class OurModule(nn.Module):
    def __init__(self, num_inputs, num_classes, dropout_prob=0.3):  #init 
        super(OurModule, self).__init__() #Call OurModule and pass the net instance (Why is this necessary?) 
        self.pipe = nn.Sequential( #net.pipe is the nn object now
            nn.Linear(num_inputs, 5),
            nn.ReLU(),
            nn.Linear(5, 20),
            nn.ReLU(),
            nn.Linear(20, num_classes),
            nn.Dropout(p=dropout_prob),
            nn.Softmax(dim=1)
        )

    def forward(self, x): #override the default forward method by passing it our net instance and (return the nn object?). x is the tensor? This is called when 'net' receives a param?
        return self.pipe(x)

if __name__ == "__main__":
    net = OurModule(num_inputs=2, num_classes=3)
    print(net)
    v = torch.FloatTensor([[2, 3]])
    out = net(v)
    print(out) #[2,3] put through the forward method of the nn? Why did we get a third param for the output?
    print("Cuda's availability is %s" % torch.cuda.is_available()) #find if gpu is available
    if torch.cuda.is_available():
        print("Data from cuda: %s" % out.to('cuda'))

OurModule.__mro__

Answer 1

OurModule定义了一个PyTorch nn.Module，它接受2输入(num_inputs)并产生3输出(num_classes)。

它由以下部分组成：

1. 接受2输入并产生5输出
2. 的层接受5输入并生成D18的ReLU
   1. A Linear层输出H2195>H120接受D25输入并产生D26(D27)的ReLU
   2. A D24层输出H228H129层Dropout层

   A Softmax层

您将创建由2输入组成的v，并在调用net(v)时通过此网络的forward()方法传递它。然后，将运行此网络的结果(3输出)存储在out中。

在您的示例中，x采用v、torch.FloatTensor([[2, 3]])的值

Answer 2

虽然@JoshVarty已经提供了一个很好的答案，但我想补充一点。

为什么这里需要超级函数

类OurModule继承了nn.Module。超级函数意味着您想要使用父函数(nn.Module)的函数，即init。您可以参考source code来了解父类在init函数中到底做了什么。