深入剖析 深度学习中 __init()__函数和forward()函数

前言

再看代码时，发现init函数和forward函数都有参数，具体是怎么传参的呢？

为了更方便的讲解，会举简单的代码例子结合讲解。

forward() 和 __init__() 是神经网络模型类中的两个重要函数。它们通常是通过类的实例化和调用来执行的。

1. __init()__函数

__init__() 函数是Python类中的构造函数，用于初始化对象的属性。

• 在深度学习中，通常用它来定义神经网络的结构，设置各种层（例如，全连接层、卷积层、循环层等）以及超参数（例如，学习率、激活函数等）。

• 参数是在类实例化时传入的，通常作为构造函数的参数传递。这些参数可以包括网络的结构和超参数设置。

import torch
import torch.nn as nnclass MyModel(nn.Module):def __init__(self, input_size, hidden_size, output_size):super(MyModel, self).__init__()self.fc1 = nn.Linear(input_size, hidden_size)self.relu = nn.ReLU()self.fc2 = nn.Linear(hidden_size, output_size)def forward(self, x):x = self.fc1(x)x = self.relu(x)x = self.fc2(x)return x# 创建模型实例，传递输入维度、隐藏层维度和输出维度作为参数
model = MyModel(input_size=10, hidden_size=5, output_size=2)

2. forward()函数

• forward() 函数定义了神经网络的前向传播过程。它接收输入数据并通过神经网络的层，最终输出模型的预测结果。

• forward() 函数的参数是传入模型的输入数据，通常是一个张量（Tensor）。

def forward(self, x):x = self.fc1(x)x = self.relu(x)x = self.fc2(x)return x

在这个示例中，输入数据 x 通过两个全连接层（fc1 和 fc2）以及激活函数（relu）进行处理，最终返回网络的输出。

实例化一个神经网络模型后，可以使用该模型的 forward() 函数来进行前向传播，如下所示：

input_data = torch.randn(1, 10)  # 示例输入数据，大小为 (batch_size, input_size)
output = model(input_data)

上述代码中，model(input_data) 调用了模型的 forward() 函数，将输入数据传递给模型并获取预测结果。

这是深度学习中非常常见的模型的前向传播操作。

补充：

1. 对于forward具体是怎样执行，自动调用的，可看我这篇文章:Pytorch中关于forward函数的理解与用法
2. 对于类和对象不清晰的可看这篇文章：python 类和对象的详细分析

3. 两者关系

函数	表述
__init__() 函数	1.类的构造函数中定义了模型的结构，包括网络层的定义、超参数的初始化等，用于设置模型的架构，并在模型实例化时执行。 2.一般只执行一次。 3.可以定义模型中的各种层、权重参数、激活函数等，以及设置模型的初始化配置。
forward() 函数	1.定义了模型的前向传播过程。它描述了数据如何在模型中流动，通过各个层，直到生成模型的输出。 2.输入数据并调用 model(input_data) 时，forward() 函数会被调用来计算输出。 3.决定了模型的具体行为，包括如何处理输入数据、层之间的连接、激活函数的应用等。

两者关系如下：

• __init__() 用于定义模型的静态结构，而 forward() 用于定义模型的动态行为。
• 在 __init__() 中，配置了模型的层和参数，但尚未进行具体的数据处理。__init__() 只执行一次。
  forward() 中包含了实际的数据流，将数据输入模型并调用 model(input_data) 时，forward() 函数会执行前向传播计算。

总之，__init__() 初始化了模型的结构和参数，而 forward() 描述了如何将数据传递并在模型中进行处理。

这两个函数共同构成了深度学习模型的核心。