PyTorch：Train 和 Test/Validation 的不同转发方法

Question

我目前正在尝试扩展基于 FairSeq/PyTorch 的 a model。在训练期间，我需要训练两个编码器：一个使用目标样本，另一个使用源样本。

所以当前的前向函数是这样的：

def forward(self, src_tokens=None, src_lengths=None, prev_output_tokens=None, **kwargs):
    encoder_out = self.encoder(src_tokens, src_lengths=src_lengths, **kwargs)
    decoder_out = self.decoder(prev_output_tokens, encoder_out=encoder_out, **kwargs)
    return decoder_out

基于这个 this idea 我想要这样的东西：

def forward_test(self, src_tokens=None, src_lengths=None, prev_output_tokens=None, **kwargs):
    encoder_out = self.encoder(src_tokens, src_lengths=src_lengths, **kwargs)
    decoder_out = self.decoder(prev_output_tokens, encoder_out=encoder_out, **kwargs)
    return decoder_out

def forward_train(self, src_tokens=None, src_lengths=None, prev_output_tokens=None, **kwargs):
    encoder_out = self.encoder(src_tokens, src_lengths=src_lengths, **kwargs)
    autoencoder_out = self.encoder(tgt_tokens, src_lengths=src_lengths, **kwargs)
    concat = some_concatination_func(encoder_out, autoencoder_out)
    decoder_out = self.decoder(prev_output_tokens, encoder_out=concat, **kwargs)
    return decoder_out

有什么办法吗？

编辑：这些是我的限制，因为我需要扩展 FairseqEncoderDecoderModel:

@register_model('transformer_mass')
class TransformerMASSModel(FairseqEncoderDecoderModel):
    def __init__(self, encoder, decoder):
        super().__init__(encoder, decoder)

编辑 2：传递给 Fairseq 中前向函数的参数可以通过实现您自己的 Criterion 来改变，例如参见 [=19=]，其中 sample['net_input'] 被传递给模型的 __call__ 函数，它调用forward 方法。

Answer 1

默认情况下，调用 model() 调用 forward 方法，这在您的案例中是向前训练的，因此您只需要为模型中的 test/eval 路径定义新方法 class，像这里一样：

代码：

class FooBar(nn.Module):
    """Dummy Net for testing/debugging.
    """

    def __init__(self):
        super().__init__()
        ...

    def forward(self, x):
        # here will be train forward
        ...

    def evaltest(self, x):
        # here will be eval/test forward
        ...

示例：

model = FooBar()  # initialize model 

# train time
pred = model(x)   # calls forward() method under the hood

# test/eval time
test_pred = model.evaltest(x)

评论： 我想推荐你把这两条前向路径拆分成两个独立的方法，因为这样更容易调试，也可以避免反向传播时可能出现的一些问题。

Answer 2

首先，您应该始终使用和定义forward，而不是您在torch.nn.Module 实例上调用的其他方法。

绝对不要重载 eval()，如 as it's evaluation method defined by PyTorch (see here 所示。 此方法允许将模型中的层置于评估模式（例如特定Dropout 或 BatchNorm).

等层的推理模式更改

此外，您应该使用 __call__ 魔术方法调用它。为什么？因为挂钩和其他 PyTorch 特定的东西是正确注册的。

其次，不要使用建议的一些外部mode字符串变量。这就是 PyTorch 中 train 变量的用途，通过它来区分模型是处于 eval 模式还是 train 模式是标准的。

话虽这么说，你最好这样做：

import torch


class Network(torch.nn.Module):
    def __init__(self):
        super().__init__()
        ...

    # You could split it into two functions but both should be called by forward
    def forward(
        self, src_tokens=None, src_lengths=None, prev_output_tokens=None, **kwargs
    ):
        encoder_out = self.encoder(src_tokens, src_lengths=src_lengths, **kwargs)
        if self.train:
            return self.decoder(prev_output_tokens, encoder_out=encoder_out, **kwargs)
        autoencoder_out = self.encoder(tgt_tokens, src_lengths=src_lengths, **kwargs)
        concat = some_concatination_func(encoder_out, autoencoder_out)
        return self.decoder(prev_output_tokens, encoder_out=concat, **kwargs)

您可以（并且可以说应该）将上面的方法拆分为两个单独的方法，但这并不算太糟糕，因为该函数相当短且可读性强。如果可能的话，只要坚持使用 PyTorch 的处理方式，而不是一些临时解决方案。而且不，反向传播不会有问题，为什么会有一个？

PyTorch：Train 和 Test/Validation 的不同转发方法

PyTorch: Different Forward Methods for Train and Test/Validation

python-3.x

neural-network

pytorch

transformer

seq2seq