关于理解Pytorch.named_modules()循环的问题

Question

我在这里指的是这个实现：

https://github.com/hszhao/semseg/blob/master/model/pspnet.py

在第 49-58 行，作者写道：

for n, m in self.layer3.named_modules():
    if 'conv2' in n:
        m.dilation, m.padding, m.stride = (2, 2), (2, 2), (1, 1)
    elif 'downsample.0' in n:
        m.stride = (1, 1)

for n, m in self.layer4.named_modules():
    if 'conv2' in n:
        m.dilation, m.padding, m.stride = (4, 4), (4, 4), (1, 1)
    elif 'downsample.0' in n:
        m.stride = (1, 1)

这些循环中究竟发生了什么？

我的理解是，作者创建了一个 resnet model （他的 resnet.py 在这里https://github.com/hszhao/semseg/blob/master/model/resnet.py ）然后调用不同的层，他在他的 resnet class 中实现以在下面转发它们。

resnet.py 中的 layer3 和 layer4 是通过调用 function def _make_layer(self, block, planes, blocks, stride=1):制作的，所以我假设当在循环中使用.named_modules()时，它正在循环这个def _make_layer function 中的模块，是吗？ 如果是这样，elif 部分会发生什么？ 没有称为downsample.0的模块？ （唯一的模块是 nn.Conv2d 和 nn.BatchNorm2d ）

Answer 1

下面是在那里使用的 resnet 的示例。

model = ResNet(Bottleneck, [3, 4, 6, 3], **kwargs)

在 Resnet class 中，它调用 super 是因为这个，它有self.downsample如果不是 none：

if self.downsample is not None:
        residual = self.downsample(x)

它可能有顺序或其他层。

class Bottleneck(nn.Module):
    expansion = 4

    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(Bottleneck, self).__init__()
        self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)
        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)
        self.conv3 = nn.Conv2d(planes, planes * self.expansion, kernel_size=1, bias=False)
        self.bn3 = nn.BatchNorm2d(planes * self.expansion)
        self.relu = nn.ReLU(inplace=True)
        self.downsample = downsample
        self.stride = stride