前言
最近在使用pytorch的時候，模型訓練時，不需要使用forward，只要在實例化一個對象中傳入對應的參數就可以自動調用 forward 函數
即：
forward 的使用
class Module(nn.Module):
def __init__(self):
super(Module, self).__init__()
# ......
def forward(self, x):
# ......
return x
data = ..... #輸入數據
# 實例化一個對象
module = Module()
# 前向傳播
module(data)
# 而不是使用下面的
# module.forward(data)
實際上
是等價于
forward 使用的解釋
等價的原因是因為 python calss 中的__call__和__init__方法.
class A():
def __call__(self):
print('i can be called like a function')
a = A()
a()
out：
i can be called like a function
__call__里調用其他的函數
class A():
def __call__(self, param):
print('i can called like a function')
print('傳入參數的類型是：{} 值為： {}'.format(type(param), param))
res = self.forward(param)
return res
def forward(self, input_):
print('forward 函數被調用了')
print('in forward, 傳入參數類型是：{} 值為: {}'.format( type(input_), input_))
return input_
a = A()
input_param = a('i')
print("對象a傳入的參數是：", input_param)
out:
i can called like a function
傳入參數的類型是：class ‘str'> 值為： i
forward 函數被調用了
in forward, 傳入參數類型是：class ‘str'> 值為: i
對象a傳入的參數是： i
補充：Pytorch 模型中nn.Model 中的forward() 前向傳播不調用 解釋
在pytorch 中沒有調用模型的forward（）前向傳播，只實列化后把參數傳入。
定義模型
class Module(nn.Module):
def __init__(self):
super(Module, self).__init__()
# ......
def forward(self, x):
# ......
return x
data = ..... #輸入數據
# 實例化一個對象
module = Module()
# 前向傳播 直接把輸入傳入實列化
module(data)
#沒有使用module.forward(data)
實際上module(data) 等價于module.forward(data)
等價的原因是因為 python calss 中的__call__ 可以讓類像函數一樣調用
當執行model(x)的時候，底層自動調用forward方法計算結果
class A():
def __call__(self):
print('i can be called like a function')
a = A()
a()
>>>i can be called like a function
在__call__ 里可調用其它的函數
class A():
def __call__(self, param):
print('我在__call__中，傳入參數',param)
res = self.forward(param)
return res
def forward(self, x):
print('我在forward函數中，傳入參數類型是值為: ',x)
return x
a = A()
y = a('i')
>>> 我在__call__中，傳入參數 i
>>>我在forward函數中，傳入參數類型是值為: i
print("傳入的參數是：", y)
>>>傳入的參數是： i
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- pytorch forward兩個參數實例
- PyTorch中permute的用法詳解
- PyTorch中反卷積的用法詳解
