大多数卷积神经网络都是直接通过写一个Model类来定义的，这样写的代码其实是比较好懂，也很方便。但是本文将介绍另一个方法：利用yaml定义卷积网络，感兴趣的可以了解一下
大多数卷积神经网络都是直接通过写一个Model类来定义的，这样写的代码其实是比较好懂的，特别是在魔改网络的时候也很方便。然后也有一些会通过cfg配置文件进行模型的定义。在yolov5中可以看到是通过yaml文件进行网络的定义【个人感觉通过配置文件魔改网络有些不方便，当然每个人习惯不同】，可能很多人也用过，如果自己去写一个yaml文件，自己能不能定义出来呢？很多人不知道是如何具体通过yaml文件将里面的参数传入自己定义的网络中，这也就给自己修改网络带来了不便。这篇文章将仿照yolov5的方式，利用yaml定义一个自己的网络。
定义卷积块
我们可以先定义一个卷积块CBL，C指卷积Conv，B指BN层，L为激活函数，这里我用ReLu.
class BaseConv(nn.Module): def __init__(self, in_channels, out_channels, k=1, s=1, p=None): super().__init__() self.in_channels = in_channels self.out_channels = out_channels self.conv = nn.Conv2d(in_channels, out_channels, k, s, autopad(k, p)) self.bn = nn.BatchNorm2d(out_channels) self.act_fn = nn.ReLU(inplace=True) def forward(self, x): return self.act_fn(self.bn(self.conv(x)))
卷积中的autopad是自动补充pad，代码如下：
def autopad(k, p=None): if p is None: p = k // 2 if isinstance(k, int) else [x // 2 for x in k] return p
定义一个Bottleneck
可以仿照yolov5定义一个Bottleneck，参考了残差块的思想。
class Bottleneck(nn.Module): def __init__(self, in_channels, out_channels, shortcut=True): super(Bottleneck, self).__init__() self.conv1 = BaseConv(in_channels, out_channels, k=1, s=1) self.conv2 = BaseConv(out_channels, out_channels, k=3, s=1) self.add = shortcut and in_channels == out_channels def forward(self, x): """ x-->conv1-->conv2-->add |_________________| """ return x + self.conv2(self.conv1(x)) if self.add else self.conv2(self.conv1(x))
攥写yaml配置文件
然后我们来写一下yaml配置文件，网络不要很复杂，就由两个卷积和两个Bottleneck组成就行。同理，仿v5的方法，我们的网络中的backone也是个列表，每行为一个卷积层，每列有4个参数，分别代表from(指该层的输入通道数为上一层的输出通道数，所以是-1)，number【yaml中的1，1，2指该层的深度，或者说是重复几次】，Module_nams【该层的名字】，args【网络参数，包含输出通道数，k，s，p等设置】
# define own model backbone: [[-1, 1, BaseConv, [32, 3, 1]], # out_channles=32, k=3, s=1 [-1, 1, BaseConv, [64, 1, 1]], [-1, 2, Bottleneck, [64]] ]
我们现在用yaml工具来打开我们的配置文件，看看都有什么内容
import yaml # 获得yaml文件名字 yaml_file = Path('Model.yaml').name with open(yaml_file,errors='ignore') as f: yaml_ = yaml.safe_load(f) print(yaml_) 输出：
{'backbone': [[-1, 1, 'BaseConv', [32, 3, 1]], [-1, 1, 'BaseConv', [64, 1, 1]], [-1, 2, 'Bottleneck', [64]]]}
然后我们可以定义下自己Model类，也就是定义自己的网络。可以看到与前面读取yaml文件相比，多了一行 ch = self.yaml["ch"] = self.yaml["ch"] = 3 这个是在原yaml内容中加入一个key和valuse,3指的3通道，因为我们的图像是3通道。parse_model是下面要说的传参过程。
class Model(nn.Module): def __init__(self, cfg='./Model.yaml', ch=3, ): super().__init__() self.yaml = cfg import yaml yaml_file = Path(cfg).name with open(yaml_file, errors='ignore')as f: self.yaml = yaml.safe_load(f) ch = self.yaml["ch"] = self.yaml["ch"] = 3 self.backbone = parse_model(deepcopy(self.yaml), ch=[ch]) def forward(self, x): output = self.backbone(x) return output
传入参数
这一步也是最关键的一步，我们需要定义传参的函数，将yaml中的卷积参数传入我们定义的网络中，这里会用的一个非常非常重要的函数eval(),后面也会介绍到这个函数的用法。
这里先附上完整代码：
def parse_model(yaml_cfg, ch): """ :param yaml_cfg: yaml file :param ch: init in_channels default is 3 :return: model """ layer, out_channels = [], ch[-1] for i, (f, number, Module_name, args) in enumerate(yaml_cfg['backbone']): """ f:上一层输出通道 number:该模块有几层，就是该模块要重复几次 Mdule_name：卷积层名字 args:参数，包含输出通道数，k,s,p等 """ # 通过eval，将str类型转自己定义的BaseConv m = eval(Module_name) if isinstance(Module_name, str) else Module_name for j, a in enumerate(args): # 通过eval，将str转int,获得输出通道数 args[j] = eval(a) if isinstance(a, str) else a # 更新通道 # args[0]是输出通道 if m in [BaseConv, Bottleneck]: in_channels, out_channels = ch[f], args[0] args = [in_channels, out_channels, *args[1:]] # args=[in_channels, out_channels, k, s, p] # 将参数传入模型 model_ = nn.Sequential(*[m(*args) for _ in range(number)]) if number > 1 else m(*args) # 更新通道列表，每次获取输出通道 ch.append(out_channels) layer.append(model_) return nn.Sequential(*layer)
下面开始分析代码 。
这行代码是通过列表用来存放每层内容以及输出通道数。
# 这行代码是通过列表用来存放每层内容以及输出通道数 layer, out_channels = [], ch[-1]
然后进入我们的for循环，在每一次循环中可以获得我们yaml文件中的每一层网络：f是上一层网络的输出通道【用来作为本层的输入通道】，number【网络深度，也就是该层重复几次而已】，Module_name是该层的名字，args是该层的一些参数。
for i, (f, number, Module_name, args) in enumerate(yaml_cfg['backbone']):
接下来会碰到一个很重要的函数eval()。下行的代码首先需要判断一下我们的Module_name类型是不是字符串类型，也就是判断一下yaml中“BaseConv”是不是字符串类型，如果是，则用eval进行对应类型的转化，转成我们的BaseConv类型。
m = eval(Module_name) if isinstance(Module_name, str) else Module_name
这里我将对eval函数在深入点，如果知道这个函数用法的，就可以略去这部分。
我们先举个例子，比如我现在有个变量a="123"，这个a的类型是什么呢？他是一个str类型，不是int类型。 现在我们用eval函数转一下，看看会变成什么样子。
>>> b = eval(a) if isinstance(a,str) else a >>> b 123 >>> type(b)
我们可以看到，经过eval函数以后，会自动识别并转为int类型。那么我继续举例子，如果现在a="BaseConv",经过eval以后会变成什么？可以看到，这里报错了！这是为什么？这是因为我们没有导入BaseConv这个类，所以eval函数并不知道我们希望转为什么类型。所以我们需要用import导入BaseConv这个类才可以。
>>> a="BaseConv" >>> b = eval(a) if isinstance(a,str) else a Traceback (most recent call last): File "", line 1, in File " ", line 1, in NameError: name 'BaseConv' is not defined
当我们导入BaseConv以后，在经过eval就可以获得：
接下来是获得args中的网络参数，也是通过eval进行转化
for j, a in enumerate(args): # 通过eval，将str转int,获得输出通道数 args[j] = eval(a) if isinstance(a, str) else a
获取通道数，并在每次循环中对通道进行更新：可以仔细看一下ch[f]指的上一层输出通道，刚开始默认为[3]，那么ch[-1]=3，我们yaml中第一层的BaseConv args[0]为32，表示输出32通道。因此在第一次循环中有in_channels = 3,out_channels=32。args也要更新，*args前面的"*"并不是指针的意思，也不是乘的意思，而是解压操作，因此我们第一次循环中得到的args=[3,32,3,1]。
# 更新通道 # args[0]是输出通道 if m in [BaseConv, Bottleneck]: in_channels, out_channels = ch[f], args[0] args = [in_channels, out_channels, *args[1:]] # args=[in_channels, out_channels, k, s, p]
将参数传入模型
这里用for _ in range(number)来判断网络的深度【或者说该模块重复几次】，这里的m就是前面经过eval转化的
model_ = nn.Sequential(*[m(*args) for _ in range(number)]) if number > 1 else m(*args)
这样就可以获得我们第一次循环BaseConv了。后面的循环也是同样的反复操作而已。
BaseConv( (conv): Conv2d(3, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) (act_fn): ReLU(inplace=True) )
然后是更新通道列表和layer列表，为的是获取每次循环的输出通道，没有这一步，再下一次循环的时候将不能正确得到通道数。
# 更新通道列表，每次获取输出通道 ch.append(out_channels) layer.append(model_)
然后我们就可以对模型调用进行实例化了，可以打印下模型：
Model( (backbone): Sequential( (0): BaseConv( (conv): Conv2d(3, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (bn): BatchNorm2d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) (act_fn): ReLU(inplace=True) ) (1): BaseConv( (conv): Conv2d(32, 64, kernel_size=(1, 1), stride=(1, 1)) (bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) (act_fn): ReLU(inplace=True) ) (2): Sequential( (0): Bottleneck( (conv1): BaseConv( (conv): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1)) (bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) (act_fn): ReLU(inplace=True) ) (conv2): BaseConv( (conv): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) (act_fn): ReLU(inplace=True) ) ) (1): Bottleneck( (conv1): BaseConv( (conv): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1)) (bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) (act_fn): ReLU(inplace=True) ) (conv2): BaseConv( (conv): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (bn): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) (act_fn): ReLU(inplace=True) ) ) ) ) )
同时我们也可以对模型每层可视化看一下。可以看到和我们定义的模型是一样的。
完整的代码
from copy import deepcopy from models import BaseConv, Bottleneck import torch.nn as nn import os path = os.getcwd() from pathlib import Path import torch def parse_model(yaml_cfg, ch): """ :param yaml_cfg: yaml file :param ch: init in_channels default is 3 :return: model """ layer, out_channels = [], ch[-1] for i, (f, number, Module_name, args) in enumerate(yaml_cfg['backbone']): """ f:上一层输出通道 number:该模块有几层，就是该模块要重复几次 Mdule_name：卷积层名字 args:参数，包含输出通道数，k,s,p等 """ # 通过eval，将str类型转自己定义的BaseConv m = eval(Module_name) if isinstance(Module_name, str) else Module_name for j, a in enumerate(args): # 通过eval，将str转int,获得输出通道数 args[j] = eval(a) if isinstance(a, str) else a # 更新通道 # args[0]是输出通道 if m in [BaseConv, Bottleneck]: in_channels, out_channels = ch[f], args[0] args = [in_channels, out_channels, *args[1:]] # args=[in_channels, out_channels, k, s, p] # 将参数传入模型 model_ = nn.Sequential(*[m(*args) for _ in range(number)]) if number > 1 else m(*args) # 更新通道列表，每次获取输出通道 ch.append(out_channels) layer.append(model_) return nn.Sequential(*layer) class Model(nn.Module): def __init__(self, cfg='./Model.yaml', ch=3, ): super().__init__() self.yaml = cfg import yaml yaml_file = Path(cfg).name with open(yaml_file, errors='ignore')as f: self.yaml = yaml.safe_load(f) ch = self.yaml["ch"] = self.yaml["ch"] = 3 self.backbone = parse_model(deepcopy(self.yaml), ch=[ch]) def forward(self, x): output = self.backbone(x) return output if __name__ == "__main__": cfg = path + '/Model.yaml' model = Model() model.eval() print(model) x = torch.ones(1, 3, 512, 512) output = model(x) torch.save(model, "model.pth") # model = torch.load('model.pth') # model.eval() # x = torch.ones(1,3,512,512) # input_name = ['input'] # output_name = ['output'] # torch.onnx.export(model, x, 'myonnx.onnx', verbose=True)以上就是详解Pytorch如何利用yaml定义卷积网络的详细内容，更多关于Pytorch yaml定义卷积网络的资料请关注0133技术站其它相关文章！
以上就是详解Pytorch如何利用yaml定义卷积网络的详细内容，更多请关注0133技术站其它相关文章！
