使用Pytorch实现two-head(多输出)模型的操作

时间:2022-10-30 15:17:36

如何使用pytorch实现two-head(多输出)模型

1. two-head模型定义

先放一张我要实现的模型结构图:

使用Pytorch实现two-head(多输出)模型的操作

如上图,就是一个two-head模型,也是一个但输入多输出模型。该模型的特点是输入一个x和一个t,h0和h1中只有一个会输出,所以可能这不算是一个典型的多输出模型。

2.实现所遇到的困难 一开始的想法:

这不是很简单嘛,做一个判断不就完了,t=0时模型为前半段加h0,t=1时模型为前半段加h1。但实现的时候傻眼了,发现在真正前向传播的时候t是一个tensor,有0有1,没法儿进行判断。

灵机一动,又生一法:把这个模型变为三个模型,前半段是一个模型(r),后面的h0和h1分别为另两个模型。把数据集按t=0和1分开,分别训练两个模型:r+h0和r+h1。

但是后来搜如何进行模型串联,发现极为麻烦。

3.解决方案

后来在pytorch的官方社区中看到一个极为简单的方法:

(1) 按照一般的多输出模型进行实现,代码如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
def forward(self, x):
        #三层的表示层
        x = f.elu(self.fcr1(x))
        x = f.elu(self.fcr2(x))
        x = f.elu(self.fcr3(x))
        #two-head,两个head分别进行输出
        y0 = f.elu(self.fch01(x))
        y0 = f.elu(self.fch02(y0))
        y0 = f.elu(self.fch03(y0))
        y1 = f.elu(self.fch11(x))
        y1 = f.elu(self.fch12(y1))
        y1 = f.elu(self.fch13(y1))
        return y0, y1

这样就相当实现了一个多输出模型,一个x同时输出y0和y1.

训练的时候分别训练,也即分别建loss,代码如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
f_out_y0, _ = net(x0)
        _, f_out_y1 = net(x1)
        #实例化损失函数
        criterion0 = loss()
        criterion1 = loss()
        loss0 = criterion0(f_y0, f_out_y0, w0)
        loss1 = criterion1(f_y1, f_out_y1, w1)
        print(loss0.item(), loss1.item())
        #对网络参数进行初始化
        optimizer.zero_grad()
        loss0.backward()
        loss1.backward()
        #对网络的参数进行更新
        optimizer.step()

先把x按t=0和t=1分为x0和x1,然后分别送入进行训练。这样就实现了一个two-head模型。

4.后记

我自以为多输出模型可以分为以下两类:

多个输出不同时获得,如本文情况。

多个输出同时获得。

多输出不同时获得的解决方法上文已说明。多输出同时获得则可以通过把y0和y1拼接起来一起输出来实现。

补充:pytorch 多输入多输出模型构建

本篇教程基于 pytorch 1.5版本

直接上代码!

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
import torch
import torch.nn as nn
from torch.autograd import variable
import torch.distributed as dist
import torch.utils.data as data_utils
class net(nn.module):
    def __init__(self, n_input, n_hidden, n_output):
        super(net, self).__init__()
        self.hidden1 = nn.linear(n_input, n_hidden)
        self.hidden2 = nn.linear(n_hidden, n_hidden)
        self.predict1 = nn.linear(n_hidden*2, n_output)
        self.predict2 = nn.linear(n_hidden*2, n_output)
    def forward(self, input1, input2): # 多输入!!!
        out01 = self.hidden1(input1)
        out02 = torch.relu(out01)
        out03 = self.hidden2(out02)
        out04 = torch.sigmoid(out03)
        out11 = self.hidden1(input2)
        out12 = torch.relu(out11)
        out13 = self.hidden2(out12)
        out14 = torch.sigmoid(out13)
        out = torch.cat((out04, out14), dim=1) # 模型层拼合!!!当然你的模型中可能不需要~
 
        out1 = self.predict1(out)
        out2 = self.predict2(out)
        return out1, out2 # 多输出!!!
net = net(1, 20, 1)
x1 = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # 请不要关心这里,随便弄一个数据,为了说明问题而已
y1 = x1.pow(3)+0.1*torch.randn(x1.size())
x2 = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y2 = x2.pow(3)+0.1*torch.randn(x2.size())
x1, y1 = (variable(x1), variable(y1))
x2, y2 = (variable(x2), variable(y2))
optimizer = torch.optim.sgd(net.parameters(), lr=0.1)
loss_func = torch.nn.mseloss()
for t in range(5000):
    prediction1, prediction2 = net(x1, x2)
    loss1 = loss_func(prediction1, y1)
    loss2 = loss_func(prediction2, y2)
    loss = loss1 + loss2 # 重点!
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    if t % 100 == 0:
       print('loss1 = %.4f' % loss1.data,'loss2 = %.4f' % loss2.data,)

至此搞定!

以上为个人经验,希望能给大家一个参考,也希望大家多多支持服务器之家。

原文链接:https://blog.csdn.net/dong_liuqi/article/details/104850408