前言
最近在使用pytorch的时候，模型训练时，不需要使用forward，只要在实例化一个对象中传入对应的参数就可以自动调用 forward 函数
即：
forward 的使用
class Module(nn.Module):
def __init__(self):
super(Module, self).__init__()
# ......
def forward(self, x):
# ......
return x
data = ..... #输入数据
# 实例化一个对象
module = Module()
# 前向传播
module(data)
# 而不是使用下面的
# module.forward(data)
实际上
是等价于
forward 使用的解释
等价的原因是因为 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__里调用其他的函数
class A():
def __call__(self, param):
print('i can called like a function')
print('传入参数的类型是：{} 值为： {}'.format(type(param), param))
res = self.forward(param)
return res
def forward(self, input_):
print('forward 函数被调用了')
print('in forward, 传入参数类型是：{} 值为: {}'.format( type(input_), input_))
return input_
a = A()
input_param = a('i')
print("对象a传入的参数是：", input_param)
out:
i can called like a function
传入参数的类型是：class ‘str'> 值为： i
forward 函数被调用了
in forward, 传入参数类型是：class ‘str'> 值为: i
对象a传入的参数是： i
补充：Pytorch 模型中nn.Model 中的forward() 前向传播不调用 解释
在pytorch 中没有调用模型的forward（）前向传播，只实列化后把参数传入。
定义模型
class Module(nn.Module):
def __init__(self):
super(Module, self).__init__()
# ......
def forward(self, x):
# ......
return x
data = ..... #输入数据
# 实例化一个对象
module = Module()
# 前向传播 直接把输入传入实列化
module(data)
#没有使用module.forward(data)
实际上module(data) 等价于module.forward(data)
等价的原因是因为 python calss 中的__call__ 可以让类像函数一样调用
当执行model(x)的时候，底层自动调用forward方法计算结果
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__ 里可调用其它的函数
class A():
def __call__(self, param):
print('我在__call__中，传入参数',param)
res = self.forward(param)
return res
def forward(self, x):
print('我在forward函数中，传入参数类型是值为: ',x)
return x
a = A()
y = a('i')
>>> 我在__call__中，传入参数 i
>>>我在forward函数中，传入参数类型是值为: i
print("传入的参数是：", y)
>>>传入的参数是： i
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脚本之家。如有错误或未考虑完全的地方，望不吝赐教。
您可能感兴趣的文章:- pytorch forward两个参数实例
- PyTorch中permute的用法详解
- PyTorch中反卷积的用法详解
