如何将输入模糊从fit方法传递给skorch包装器？

Question

我正在尝试将PyTorch功能集成到scikit-learn环境中(特别是管道和GridSearchCV)，因此一直在研究skorch。用于神经网络的标准文档示例如下

import torch.nn.functional as F
from torch import nn
from skorch import NeuralNetClassifier

class MyModule(nn.Module):
    def __init__(self, num_units=10, nonlin=F.relu):
        super(MyModule, self).__init__()

        self.dense0 = nn.Linear(20, num_units)
        self.nonlin = nonlin
        self.dropout = nn.Dropout(0.5)
        ...
        ...
        self.output = nn.Linear(10, 2)
    ...
    ...

其中，通过将输入和输出维度硬编码到构造函数中，显式地传递它们。但是，这实际上不是scikit-learn接口的工作方式，fit方法导出输入和输出维度，而不是显式地传递给构造函数。作为一个实例，请考虑

# copied from the documentation
net = NeuralNetClassifier(
    MyModule,
    max_epochs=10,
    lr=0.1,
    # Shuffle training data on each epoch
    iterator_train__shuffle=True,
)

# any general Pipeline interface
pipeline = Pipeline([
        ('transformation', AnyTransformer()),
        ('net', net)
        ])

gs = GridSearchCV(net, params, refit=False, cv=3, scoring='accuracy')
gs.fit(X, y)

除了变压器中没有任何地方必须指定输入和输出维数之外，在模型建立之前应用的变压器可能会改变训练集的维数(考虑降维和相似)，因此神经网络构造函数中的硬编码输入和输出是行不通的。

我是否误解了这是如何工作的，或者什么是建议的解决方案(我正在考虑将构造函数指定到forward方法中，在这里您已经可以使用X了，但我不确定这是一个好的实践)？

Answer 1

这是一个非常好的问题，恐怕有最佳实践的答案，因为PyTorch通常是以初始化和执行为独立步骤的方式编写的，这正是您在本例中不想要的。

有几种方法都朝着相同的方向前进，即对输入数据进行内省，在拟合前重新初始化网络。我能想到的最简单的方法是编写一个回调，在训练开始时设置相应的参数：

class InputShapeSetter(skorch.callbacks.Callback):
    def on_train_begin(self, net, X, y):
        net.set_params(module__input_dim=X.shape[-1])

这将在培训开始期间设置一个模块参数，该参数将使用所述参数重新初始化PyTorch模块。这个特定的回调要求第一个层的参数称为input_dim，但是如果需要，可以更改这个参数。

一个完整的例子：

import torch
import skorch
from sklearn.datasets import make_classification
from sklearn.pipeline import Pipeline
from sklearn.decomposition import PCA

X, y = make_classification()
X = X.astype('float32')

class ClassifierModule(torch.nn.Module):
    def __init__(self, input_dim=80):
        super().__init__()
        self.l0 = torch.nn.Linear(input_dim, 10)
        self.l1 = torch.nn.Linear(10, 2)

    def forward(self, X):
        y = self.l0(X)
        y = self.l1(y)
        return torch.softmax(y, dim=-1)


class InputShapeSetter(skorch.callbacks.Callback):
    def on_train_begin(self, net, X, y):
        net.set_params(module__input_dim=X.shape[-1])


net = skorch.NeuralNetClassifier(
    ClassifierModule,
    callbacks=[InputShapeSetter()],
)

pipe = Pipeline([
    ('pca', PCA(n_components=10)),
    ('net', net),
])

pipe.fit(X, y)
print(pipe.predict(X))