[人工智能]pytorch学习笔记210801

领域自适应即Domain Adaptation是迁移学习中很重要的一部分内容，目的是把分布不同的源域和目标域的数据，映射到一个特征空间中，使其在该空间中的距离尽可能近。于是在特征空间中对source domain训练的目标函数，就可以迁移到target domain上，提高target domain上的准确率。

Python class 面向对象

self: 参数是对类的当前实例的引用，用于访问属于该类的变量。它必须是类中任意函数的首个参数

del: del p1.age / del p1

pass: 类定义不能为空，但是如果您处于某种原因写了无内容的类定义语句，请使用 pass 语句来避免错误

torch.nn.module

pytorch中其实一般没有特别明显的Layer和Module的区别，不管是自定义层、自定义块、自定义模型，都是通过继承Module类完成的

我们在定义自已的网络的时候，需要继承nn.Module类，并重新实现构造函数__init__构造函数和forward这两个方法。但有一些注意技巧：

（1）一般把网络中具有可学习参数的层（如全连接层、卷积层等）放在构造函数__init__()中，当然我也可以吧不具有参数的层也放在里面；

（2）一般把不具有可学习参数的层(如ReLU、dropout、BatchNormanation层)可放在构造函数中，也可不放在构造函数中，如果不放在构造函数__init__里面，则在forward方法里面可以使用nn.functional来代替

???

（3）forward方法是必须要重写的，它是实现模型的功能，实现各个层之间的连接关系的核心。运行关系是在forward里面通过functional的方法实现的。

?Eg1.

import torch

import torch.nn.functional as F

Class MyNet(torch.nn.Module):

??def __init__(self):

super(MyNet, self).__init__() #调用父类构造函数

self.conv1=torch.nn.Conv2d(3,32,3,1,1)

self.conv2=torch.nn.Conv2d(3,32,3,1,1)

self.dense1=torch.nn.Linear(32*3*3, 128)

self.dense2=torch.nn.Linear(128, 10)

??def forward(self, x):

x=self.conv1(x) #一层卷积

x= F.relu(x)# 激活

x=F.max_pool2d(x) #池化

x=self.conv2(x)

x=F.relu(x)

x=F.max_pool2d(x)

x=self.dense1(x) #线性判别器32,3,3 –(128,32,3,3)- 128

x=self.dense2(x)128 -(10,128)- 10

return x

总结：所有放在构造函数__init__里面的层的都是这个模型的“固有属性”.

# Conv2d(3,32,3,1,1): input 3 channels, output 32 channels, kernel size3(32 3*3*3convs), stride=1 padding=1

# Linear(32*3*3, 128) / Linear(128, 10)

PyTorch的nn.Linear（）是用于设置网络中的全连接层的，需要注意在二维图像处理的任务中，全连接层的输入与输出一般都设置为二维张量，形状通常为[batch_size, size]

参数：(上面示例代码好像不属于这个意思)

in_features指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。
??out_features指的是输出的二维张量的大小，即输出的二维张量的形状为[batch_size，output_size]，当然，它也代表了该全连接层的神经元个数。
??从输入输出的张量的shape角度来理解，相当于一个输入为[batch_size, in_features]的张量变换成了[batch_size, out_features]的输出张量。

Module类是非常灵活的，可以有很多灵活的实现方式

通过Sequential来包装层

……

参考：

pytorch教程之nn.Module类详解——使用Module类来自定义模型_MIss-Y的博客-CSDN博客

PyTorch的nn.Linear（）详解_风雪夜归人o的博客-CSDN博客_nn.linear