クラスと関数【torch】

PyTorchは提供するニューラルネットの構成要素には、関数のまま利用するものとインスタンス化して利用するものがある。

平均二乗誤差

ReLU関数（活性化関数）

線形層

メソッドと書かれた方が「インスタンス化」して利用するものである。

code:class_or_function1.py

import torch as pt

import torch.nn as nn

import torch.nn.functional as F

e1 = F.mse_loss(data1, data2) # 関数のまま

print('mse_loss関数:', e1)

loss = nn.MSELoss() # インスタンス化

e2 = loss(data1, data2) # インスタンスにデータを与えて実行

print('MSELossインスタンス:', e2)

線形層の処理を関数を用いて処理するには、これら全ての情報を引数として与える必要があるのに対して、メソッドはそれらの情報をインスタンス変数として保持できるため情報の管理が容易であるという違いがある。

~~~~~~~~~~~~~~~~~~

あるネットワークのクラスを設計を考える。このネットワークが有する機能は、Pytorchが提供するインスタンスをインスタンス変数として持たせることにより実装する。

code:class_or_function2.py

import torch as pt

import torch.nn as nn

import torch.nn.functional as F

class Mynet(nn.Module): # Mynetはnn.Moduleのサブクラス

def __init__(self):

super().__init__()

self.loss = nn.MSELoss() # 構成要素

def forward(self, data1, data2):

x = self.loss(data1, data2)

return x

net = Mynet()

e = net.forward(data1, data2)

print('MSE', e)

print('# netインスタンスの構成要素：')

print(net)

code:(結果).py

MSE tensor(0.3333)

# netインスタンスの構成要素：

Mynet(

(loss): MSELoss()

)

クラスが有する構成要素を増やしてみよう。

code:class_or_function3.py

import torch as pt

import torch.nn as nn

class Mynet(nn.Module):

def __init__(self):

super().__init__()

self.loss1 = nn.MSELoss()

self.loss2 = nn.MSELoss()

self.relu = nn.ReLU()

self.lin1 = nn.Linear(4, 10)

self.lin2 = nn.Linear(10, 3)

model = Mynet()

print('modelインスタンスの構成要素：')

print(model)

code:(結果).py

modelインスタンスの構成要素：

Mynet(

(loss1): MSELoss()

(loss2): MSELoss()

(relu): ReLU()

(lin1): Linear(in_features=4, out_features=10, bias=True)

(lin2): Linear(in_features=10, out_features=3, bias=True)

)

上がmodelインスタンスの構成要素の一覧である。線形層(Linear)についてはこれららが有する構造についての情報まで表示されている。

最後に、クラス定義文の先頭を次のように修正した時の実行結果を確認せよ。

code:(抜粋).py

class Mynet(): # 何も継承しない