Pytorch 自定义网络类的参数

真的是要被自己蠢哭了

事情是这样的，最近在用deep learning的方法解pde，然后代码写到了保存和读取网络参数的部分，发现载入参数后的网络会生成和训练时不一样的结果；更令人奇怪的是这个结果每次运行都不一样。

比如说训练完保存前网络输出长这样：

通过读取保存的参数文件重建后的输出长这样：

呃……我寻思好像也没有dropoff和其他随机的layer啊，而且也设置了model.eval()。上网搜了一些论坛后觉得可能是参数保存的问题……？

先来看一下我自己写的resnet实现：

class ResNet(nn.Module):
    def __init__(self, d, m, activation="elu", groups=2):
        super(ResNet, self).__init__()
        self.d = d
        self.m = m

        self.preprocess = nn.Linear(d, m)

        self.groups = groups
        self.block_per_group = 2

        self.res_fcs = [[nn.Linear(m, m) for _ in range(self.block_per_group)] for _ in range(self.groups)]

        self.fc = nn.Linear(m, 1)
        if activation == "relu":
            self.activation = lambda x: Func.relu(x)
        #...

    def forward(self, x):
        z = self.preprocess(x)
        for group in self.res_fcs:
            z_id = z
            for block in group:
                z = self.activation(block(z))
            z = z_id + z
        return self.fc(z)

是不是感觉特别优雅？写完还觉得这样就不用手写跳接层，多方便呀。结果看了一眼model.state_dict()：

>>> model.state_dict()
OrderedDict([('preprocess.weight', tensor(...)), ('preprocess.bias', tensor(...)), ('fc.weight', tensor(...)), ('fc.bias', tensor(...))])

我去……整个人都傻了……也就是说只有preprocess和fc这两个layer是别识别成可训练/可保存的，其它的都被无视了。

想想好像也有道理……毕竟res_fcs是一个list，长的不像layer。解决办法感觉是用ModuleList（文档）（不用自己造轮子了开心）。修改后的代码如下：

self.res_fcs = nn.ModuleList([nn.ModuleList([nn.Linear(m, m) for _ in range(self.block_per_group)]) for _ in range(self.groups)])