Pytorch 如何获取Unet的内部模块？

我用创建了一个

UNet

。您可以找到结果结构

如何获取模块

Conv2d（128256，内核大小=（4,4），跨步=（2,2），填充=（1,1））

如何获取模块

（5）：ConvTranspose2d（256,64，内核大小=（4,4），步长=（2,2），填充=（1,1））

我想让内部模块改变某些层的属性。 我尝试了类似于

net.modules（I）.modules（I）

的方法，但不起作用。我查阅了文件，我还没有一个好主意去做

---

我最初的意图是在训练时更改某些层的属性。我可以添加一个自定义层

myLayer

，其中

self.mode='normal'

。在训练时，我希望我可以更改其属性myLayer.mode='capture'，使其在训练中改变行为。

nn.Module的所有子类都有一个名为children的属性。您可以使用下面的代码访问它

unet = UnetGenerator(512,512,4)
layers = list(unet.children())
len(layers)

对于使用上述代码创建的网络，我可以访问网络中的一个层，并更改如下属性

l = layers[0]
conv = list(l.children())[0][0]
conv.kernel_size = (2,2)

---

如果您在不使用任何预先训练的权重的情况下训练网络，则可以在创建网络对象之前在源代码中进行更改。

要添加到毗湿奴的正确答案：

如果要进行固定更改，最好在创建网络对象之前更改代码

但是，关于

pytorch

需要提及的一件重要事情是，您可以动态更改属性：大多数深入学习库，如

tensorflow

出于性能原因使用静态图。这意味着网络图构建一次，并在每次向前传递时执行

另一方面，

pytorch

使用动态计算图，这意味着对于每个向前传递，图都是动态构建的。这使您有机会根据一些不同的参数更改网络体系结构。 例如，如果您的损失低于某个值，或者您的历元是奇数，您可以减小内核大小（我并不暗示这些是合理的应用程序）。所有这些动态更改都应该发生在

forward

函数的实现中，您可以向该函数传递其他参数，例如：

类MyNet（nn.Module）：
定义初始化（输入nc、输出nc）：
super（）。\uuuu init\uuuuu（）
#定义图层
# ...
self.choice\u A=nn.Conv2d（输入\u nc、输出\u nc、内核\u size=3）
self.choice\u B=nn.Conv2d（输入\u nc，输出\u nc，内核大小=4）
#继续初始化
def前进（自身、x、历元）：
#开始向前传球
# ...
如果历元%2==0：
x=自我选择A（x）
其他：
x=自我选择（x）
# ...
返回x

您能分享一下您用来创建UNet的代码吗。@McLawrence我还是不太明白，您到底想做什么。是否要修改某些图层中的某些参数？你能试着编辑你的问题并详细说明一下吗。@McLawrence我已经详细说明了它并改进了格式。如果你对其中一个答案感到满意，那么最好将该答案标记为正确，这样这个问题就不会再没有被接受的答案了。还有一个问题：因为频道在convsed2d。前半个通道是从瓶颈接收数据还是从后半个通道接收数据？谢谢您的回复。我想知道哪一半通道接受跳过连接的数据，似乎是前一部分？相关的行是：

return torch.cat（[self.model（x），x]，1）

。Cat按照您给定的顺序连接。因此，跳过连接的通道是后一个通道，因为x是您直接跳过到输出的输入。糟糕，现在看到您的评论已经晚了。我向该回购协议提出了一个请求，然而，所有者已将其合并。也许他犯了个错误。