Skorch从无到有训练对象

Question

我试图使用skorch类在分类器上执行GridSearch。我试着使用普通的NeuralNetClassifier对象运行，但是我还没有找到一种方法来传递Adam优化器，只传递可训练的权重(我使用的是预先训练过的嵌入，我希望将它们冻结)。如果一个模块被初始化，然后使用optimizer__params选项传递这些权重，那么它是可行的，但是模块需要一个未初始化的模型。有办法绕道吗？

net = NeuralNetClassifier(module=RNN, module__vocab_size=vocab_size, module__hidden_size=hidden_size,
                          module__embedding_dim=embedding_dim, module__pad_id=pad_id,
                          module__dataset=ClaimsDataset, lr=lr, criterion=nn.CrossEntropyLoss,
                          optimizer=torch.optim.Adam, optimizer__weight_decay=35e-3, device='cuda',
                          max_epochs=nb_epochs, warm_start=True)

上面的代码起作用。但是，在batch_size设置为64的情况下，我必须在每个批处理上运行指定数量的时代的模型！这不是我想要的行为。如果有人能提出一个更好的方法来做这件事，我将不胜感激。

我的另一个问题是子类skorch.NeuralNet。我遇到了一个类似的问题:想出一种只将可训练权重传递给Adam优化器的方法。下面的代码是我到目前为止得到的。

class Train(skorch.NeuralNet):
def __init__(self, module, lr, norm, *args, **kwargs):
    self.module = module
    self.lr = lr
    self.norm = norm
    self.params = [p for p in self.module.parameters(self) if p.requires_grad]
    super(Train, self).__init__(*args, **kwargs)

def initialize_optimizer(self):
    self.optimizer = torch.optim.Adam(params=self.params, lr=self.lr, weight_decay=35e-3, amsgrad=True)

def train_step(self, Xi, yi, **fit_params):
    self.module.train()

    self.optimizer.zero_grad()
    yi = variable(yi)

    output = self.module(Xi)

    loss = self.criterion(output, yi)
    loss.backward()

    nn.utils.clip_grad_norm_(self.params, max_norm=self.norm)
    self.optimizer.step()

def score(self, y_t, y_p):
    return accuracy_score(y_t, y_p)

初始化类会导致错误：

Traceback (most recent call last):
File "/snap/pycharm-community/74/helpers/pydev/pydevd.py", line 1664, in <module>
    main()
File "/snap/pycharm-community/74/helpers/pydev/pydevd.py", line 1658, in main
globals = debugger.run(setup['file'], None, None, is_module)
File "/snap/pycharm-community/74/helpers/pydev/pydevd.py", line 1068, in run
pydev_imports.execfile(file, globals, locals)  # execute the script
File "/snap/pycharm-community/74/helpers/pydev/_pydev_imps/_pydev_execfile.py", line 18, in execfile
    exec(compile(contents+"\n", file, 'exec'), glob, loc)
File "/home/l/Documents/Bsrc/cv.py", line 115, in <module>
    main()
File "/home/l/B/src/cv.py", line 86, in main
    trainer = Train(module=RNN, criterion=nn.CrossEntropyLoss, lr=lr, norm=max_norm)
File "/home/l/B/src/cv.py", line 22, in __init__
   self.params = [p for p in self.module.parameters(self) if p.requires_grad]
File "/home/l/B/src/cv.py", line 22, in <listcomp>
   self.params = [p for p in self.module.parameters(self) if p.requires_grad]
File "/home/l/anaconda3/lib/python3.6/site-packages/torch/nn/modules/module.py", line 739, in parameters
    for name, param in self.named_parameters():
AttributeError: 'Train' object has no attribute 'named_parameters' 

Answer 1

但是module需要一个未初始化的模型

这是不正确的，您也可以传递一个初始化的模型。模型参数的文献资料声明：

然而，也可以传递一个实例化模块，例如PyTorch序列实例。

问题是，在传递初始化模型时，不能将任何module__参数传递给NeuralNet，因为这需要重新初始化模块。但是，如果您想对模块参数进行网格搜索，这当然是有问题的。

解决方案是覆盖initialize_model，并在创建新实例之后加载和冻结参数(通过将参数的requires_grad属性设置为False)：

def _load_embedding_weights(self):
    return torch.randn(1, 100)

def initialize_module(self):
    kwargs = self._get_params_for('module')
    self.module_ = self.module(**kwargs)

    # load weights
    self.module_.embedding0.weight = self._load_embedding_weights()
    # freeze layer
    self.module_.embedding0.weight.requires_grad = False

    return self