使用 nn.Identity 进行残差学习背后的想法是什么？

Question

所以，我已经阅读了大约一半的原始 ResNet 论文，并且正在尝试找出如何为表格数据制作我的版本。我读过一些关于 PyTorch 如何工作的博客文章，并且我看到大量使用nn.Identity(). 现在，论文还经常使用恒等映射这个术语。然而，它只是指以元素方式将层堆栈的输入添加到同一堆栈的输出。如果输入和输出维度不同，那么本文讨论了用零填充输入或使用矩阵W_s将输入投影到不同的维度。这是我在博客文章中找到的残差块的抽象：class ResidualBlock(nn.Module):    def __init__(self, in_channels, out_channels, activation='relu'):        super().__init__()        self.in_channels, self.out_channels, self.activation = in_channels, out_channels, activation        self.blocks = nn.Identity()        self.shortcut = nn.Identity()           def forward(self, x):        residual = x        if self.should_apply_shortcut: residual = self.shortcut(x)        x = self.blocks(x)        x += residual        return x        @property    def should_apply_shortcut(self):        return self.in_channels != self.out_channels    block1 = ResidualBlock(4, 4)以及我自己对虚拟张量的应用：x = tensor([1, 1, 2, 2])block1 = ResidualBlock(4, 4)block2 = ResidualBlock(4, 6)x = block1(x)print(x)x = block2(x)print(x)>>> tensor([2, 2, 4, 4])>>> tensor([4, 4, 8, 8])所以在最后，x = nn.Identity(x)除了模仿原始论文中的数学术语之外，我不确定它的用途是什么。但我确信情况并非如此，而且它有一些我还没有看到的隐藏用途。会是什么呢？编辑这是实施残差学习的另一个例子，这次是在 Keras 中。它按照我上面的建议进行操作，只保留输入的副本以添加到输出中：def residual_block(x: Tensor, downsample: bool, filters: int,                                        kernel_size: int = 3) -> Tensor:    y = Conv2D(kernel_size=kernel_size,               strides= (1 if not downsample else 2),               filters=filters,               padding="same")(x)    y = relu_bn(y)    y = Conv2D(kernel_size=kernel_size,               strides=1,               filters=filters,               padding="same")(y)    if downsample:        x = Conv2D(kernel_size=1,                   strides=2,                   filters=filters,                   padding="same")(x)    out = Add()([x, y])    out = relu_bn(out)    return out

Answer 1

ResNet 实现

我能想到的最简单的投影通用版本是这样的：

class Residual(torch.nn.Module):

    def __init__(self, module: torch.nn.Module, projection: torch.nn.Module = None):

        super().__init__()

        self.module = module

        self.projection = projection

    def forward(self, inputs):

        output = self.module(inputs)

        if self.projection is not None:

            inputs = self.projection(inputs)

        return output + inputs

您可以传递module两个堆叠卷积之类的东西，并添加1x1卷积（带有填充或步幅或其他东西）作为投影模块。

对于tabular数据，您可以将其用作module（假设您的输入具有50功能）：

torch.nn.Sequential(

    torch.nn.Linear(50, 50),

    torch.nn.ReLU(),

    torch.nn.Linear(50, 50),

    torch.nn.ReLU(),

    torch.nn.Linear(50, 50),

)

基本上，您所要做的就是将input某个模块添加到其输出中，仅此而已。

理由如下nn.Identity

构建神经网络（然后读取它们）可能会更容易，例如批量归一化（取自上述 PR）：

batch_norm = nn.BatchNorm2d

if dont_use_batch_norm:

    batch_norm = Identity

现在您可以nn.Sequential轻松地使用它：

nn.Sequential(

    ...

    batch_norm(N, momentum=0.05),

    ...

)

当打印网络时，它总是具有相同数量的子模块（带有BatchNorm或Identity），这也使整个过程在我看来更加流畅。

这里提到的另一个用例可能是删除现有神经网络的部分内容：

net = tv.models.alexnet(pretrained=True)

# Assume net has two parts

# features and classifier

net.classifier = Identity()

net.features(input)现在，您可以运行而不是运行net(input)，这对其他人来说也更容易阅读。