PyTorch之前向传播函数自动调用forward

参考：1. pytorch学习笔记（九）：PyTorch结构介绍

2.pytorch学习笔记（七）：pytorch hook 和 关于pytorch backward过程的理解

3.Pytorch入门学习（三）：Neural Networks

4.forward

神经网络的典型处理如下所示：

1. 定义可学习参数的网络结构（堆叠各层和层的设计）；
2. 数据集输入；
3. 对输入进行处理（由定义的网络层进行处理）,主要体现在网络的前向传播；
4. 计算loss ，由Loss层计算；
5. 反向传播求梯度；
6. 根据梯度改变参数值,最简单的实现方式（SGD）为:
   weight = weight - learning_rate * gradient
下面是利用PyTorch定义深度网络层（Op）示例：
 

1.  
   class FeatureL2Norm(torch.nn.Module):
2.  
   def __init__(self):
3.  
   super(FeatureL2Norm, self).__init__()
4.  
    
5.  
   def forward(self, feature):
6.  
   epsilon = 1e-6
7.  
   # print(feature.size())
8.  
   # print(torch.pow(torch.sum(torch.pow(feature,2),1)+epsilon,0.5).size())
9.  
   norm = torch.pow(torch.sum(torch.pow(feature, 2),1)+epsilon,0.5).unsqueeze(1).expand_as(feature)
10.  
    return torch.div(feature,norm)

1.  
   class FeatureRegression(nn.Module):
2.  
   def __init__(self, output_dim=6, use_cuda=True):
3.  
   super(FeatureRegression, self).__init__()
4.  
   self.conv = nn.Sequential(
5.  
   nn.Conv2d( 225, 128, kernel_size=7, padding=0),
6.  
   nn.BatchNorm2d( 128),
7.  
   nn.ReLU(inplace=True),
8.  
   nn.Conv2d( 128, 64, kernel_size=5, padding=0),
9.  
   nn.BatchNorm2d( 64),
10.  
    nn.ReLU(inplace=True),
11.  
    )
12.  
    self.linear = nn.Linear(64 * 5 * 5, output_dim)
13.  
    if use_cuda:
14.  
    self.conv.cuda()
15.  
    self.linear.cuda()
16.  
     
17.  
    def forward(self, x):
18.  
    x = self.conv(x)
19.  
    x = x.view(x.size( 0), -1)
20.  
    x = self.linear(x)
21.  
    return x

由上例代码可以看到，不论是在定义网络结构还是定义网络层的操作（Op），均需要定义forward函数，下面看一下PyTorch官网对PyTorch的forward方法的描述：

那么调用forward方法的具体流程是什么样的呢？具体流程是这样的：

以一个Module为例：
1. 调用module的call方法
2. module的call里面调用module的forward方法
3. forward里面如果碰到Module的子类，回到第1步，如果碰到的是Function的子类，继续往下
4. 调用Function的call方法
5. Function的call方法调用了Function的forward方法。
6. Function的forward返回值
7. module的forward返回值
8. 在module的call进行forward_hook操作，然后返回值
上述中“调用module的call方法”是指nn.Module 的__call__方法。定义__call__方法的类可以当作函数调用，具体参考Python的面向对象编程。也就是说，当把定义的网络模型model当作函数调用的时候就自动调用定义的网络模型的forward方法。nn.Module 的__call__方法部分源码如下所示：
 

1.  
   def __call__(self, *input, **kwargs):
2.  
   result = self.forward(*input, **kwargs)
3.  
   for hook in self._forward_hooks.values():
4.  
   #将注册的hook拿出来用
5.  
   hook_result = hook( self, input, result)
6.  
   ...
7.  
   return result

可以看到，当执行model(x)的时候，底层自动调用forward方法计算结果。具体示例如下：

1.  
   class Function:
2.  
   def __init__(self):
3.  
   ...
4.  
   def forward(self, inputs):
5.  
   ...
6.  
   return outputs
7.  
   def backward(self, grad_outs):
8.  
   ...
9.  
   return grad_ins
10.  
    def _backward(self, grad_outs):
11.  
    hooked_grad_outs = grad_outs
12.  
    for hook in hook_in_outputs:
13.  
    hooked_grad_outs = hook(hooked_grad_outs)
14.  
    grad_ins = self.backward(hooked_grad_outs)
15.  
    hooked_grad_ins = grad_ins
16.  
    for hook in hooks_in_module:
17.  
    hooked_grad_ins = hook(hooked_grad_ins)
18.  
    return hooked_grad_ins

model = LeNet()
y = model(x)
如上则调用网络模型定义的forward方法。

来源：oschina

链接：https://my.oschina.net/u/4387235/blog/3461932