Pytorch：torch.nn.Module.apply用法详解

torch.nn.Module.apply 是 PyTorch 中用于递归地应用函数到模型的所有子模块的方法。它允许对模型中的每个子模块进行操作，比如初始化权重、改变参数类型等。

以下是关于 torch.nn.Module.apply 的示例：

1. 语法

Module.apply(fn)

• Module：PyTorch 中的神经网络模块，例如 torch.nn.Module 的子类。
• fn：要应用到每个子模块的函数。

2. 功能：

• apply 方法递归地将函数应用于模型的每个子模块（包括当前模块），并返回应用后的模型。

3. 示例：

• 初始化权重：

import torch
import torch.nn as nn

# 自定义初始化函数
def init_weights(module):
    if isinstance(module, nn.Conv2d):
        nn.init.xavier_uniform_(module.weight)
    elif isinstance(module, nn.Linear):
        nn.init.normal_(module.weight, mean=0, std=0.01)
        nn.init.constant_(module.bias, 0)

# 定义一个神经网络模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv = nn.Conv2d(3, 16, 3)
        self.fc = nn.Linear(16 * 28 * 28, 10)

    def forward(self, x):
        x = self.conv(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

# 创建模型实例
model = MyModel()

# 对模型的所有子模块应用初始化权重的函数
model.apply(init_weights)

• 改变参数类型：

import torch
import torch.nn as nn

# 自定义函数：将所有参数类型转换为 float 类型
def convert_to_float(module):
    if hasattr(module, 'weight'):
        module.weight = nn.Parameter(module.weight.float())
    if hasattr(module, 'bias'):
        module.bias = nn.Parameter(module.bias.float())

# 创建一个预训练的模型
pretrained_model = torch.hub.load('pytorch/vision:v0.6.0', 'resnet18', pretrained=True)

# 将预训练模型的参数类型转换为 float
pretrained_model.apply(convert_to_float)

torch.nn.Module.apply 提供了一种方便的方式，允许对模型的每个子模块应用自定义函数，从而进行各种操作，如初始化权重、参数类型转换等。

注意事项：

• 应用的函数必须接受一个参数，通常命名为 module，用于表示每个子模块。
• apply 方法会修改原始模型，而不是返回一个新的模型副本。

torch.nn.Module.apply 方法是一个强大的工具，允许你对模型的每个子模块进行操作，从而实现初始化、类型转换、参数修改等一系列功能。通过传入不同的操作函数，你可以灵活地定制和修改模型。