我已经扩展了nn.Module
来实现我的网络,其前向功能就像这样......
def forward(self, X, **kwargs):
batch_size, seq_len = X.size()
length = kwargs['length']
embedded = self.embedding(X) # [batch_size, seq_len, embedding_dim]
if self.use_padding:
if length is None:
raise AttributeError("Length must be a tensor when using padding")
embedded = nn.utils.rnn.pack_padded_sequence(embedded, length, batch_first=True)
#print("Size of Embedded packed", embedded[0].size())
hidden, cell = self.init_hidden(batch_size)
if self.rnn_unit == 'rnn':
out, _ = self.rnn(embedded, hidden)
elif self.rnn_unit == 'lstm':
out, (hidden, cell) = self.rnn(embedded, (hidden, cell))
# unpack if padding was used
if self.use_padding:
out, _ = nn.utils.rnn.pad_packed_sequence(out, batch_first = True)
我初次化了像这样的skorch NeuralNetClassifier
,
net = NeuralNetClassifier(
model,
criterion=nn.CrossEntropyLoss,
optimizer=Adam,
max_epochs=8,
lr=0.01,
batch_size=32
)
现在如果我打电话给net.fit(X, y, length=X_len)
它会抛出一个错误
TypeError: __call__() got an unexpected keyword argument 'length'
根据文档拟合函数期望一个fit_params
字典,
**fit_params : dict Additional parameters passed to the ``forward`` method of the module and to the ``self.train_split`` call.
并且源代码总是将我的参数发送到train_split
,显然我的关键字参数不会被识别。
有没有办法将参数传递给我的前向函数?
fit_params
参数用于传递与数据拆分和模型相关的信息,例如拆分组。
在您的情况下,您通过fit_params
将其他数据传递给模块,这不是它的目的。事实上,如果您在列车数据加载器上启用批量洗牌,那么您可能很容易遇到麻烦,因为那时您的长度和数据未对齐。
最好的方法是在answer to your question on the issue tracker中描述的:
X_dict = {'X': X, 'length': X_len}
net.fit(X_dict, y)
由于skorch支持dict
s,你可以简单地将长度添加到输入字典中,并将它传递给模块,很好地批处理并通过相同的数据加载器。在您的模块中,您可以通过forward
中的参数访问它:
def forward(self, X, length):
return ...
有关此行为的进一步文档可以在in the docs找到。