本文共 6989 字，大约阅读时间需要 23 分钟。

Hook 函数是在不改变主体的情况下，实现额外功能。由于 PyTorch 是基于动态图实现的，因此在一次迭代运算结束后，一些中间变量如非叶子节点的梯度和特征图，会被释放掉。在这种情况下想要提取和记录这些中间变量，就需要使用 Hook 函数。

PyTorch 提供了 4 种 Hook 函数。

1 Hook 函数

1-1 torch.Tensor.register_hook(hook)

功能： 注册一个反向传播 hook 函数，仅输入一个参数，为张量的梯度。

hook函数：

hook(grad)

参数：

grad：张量的梯度

import torch# x,y 为leaf节点，也就是说，在计算的时候，PyTorch只会保留此节点的梯度值x = torch.tensor([3.], requires_grad=True)y = torch.tensor([5.], requires_grad=True)# a,b均为中间值，在计算梯度时，此部分会被释放掉a = x + yb = x * yc = a * b# 新建列表，用于存储Hook函数保存的中间梯度值a_grad = []def hook_grad(grad):    a_grad.append(grad)# register_hook的参数为一个函数handle = a.register_hook(hook_grad)c.backward()# 只有leaf节点才会有梯度值print('gradient:',x.grad, y.grad, a.grad, b.grad, c.grad)# Hook函数保留下来的中间节点a的梯度print('a_grad:', a_grad[0])# 移除Hook函数handle.remove()

1-2 torch.nn.Module.register_forward_hook(hook)

功能： 注册 module 的前向传播hook函数，可用于获取中间的 feature map。

hook函数：

hook(module, input, output)

参数：

module：当前网络层 input：当前网络层输入数据 output：当前网络层输出数据

import torchimport torch.nn as nn# 构建网网络，一个卷积层一个池化层class Net(nn.Module):    def __init__(self):        super(Net,self).__init__()        self.conv1 = nn.Conv2d(1, 2, 3)        self.pool1 = nn.MaxPool2d(2)    def forward(self, x):        x = self.conv1(x)        x = self.pool1(x)        return x# 初始化网络net = Net()# detach将张量分离net.conv1.weight[0].detach().fill_(1)net.conv1.weight[1].detach().fill_(2)net.conv1.bias.detach().zero_()# 构建两个列表用于保存信息fmap_block = []input_block = []def forward_hook(module, data_input, data_output):    fmap_block.append(data_output)    input_block.append(data_input)# 注册Hooknet.conv1.register_forward_hook(forward_hook)# 输入数据fake_img = torch.ones((1, 1, 4, 4))output = net(fake_img)# 观察结果# 卷积神经网络输出维度和结果print("output share:{}\noutput value:{}\n".format(output.size(),output))# 卷积神经网络Hook函数返回的结果print("feature map share:{}\noutput value:{}\n".format(fmap_block[0].shape,fmap_block[0]))# 输入的信息print("input share:{}\ninput value:{}\n".format(input_block[0][0].size(),input_block[0][0]))

1-3 torch.Tensor.register_forward_pre_hook()

功能： 注册 module 的前向传播前的hook函数，可用于获取输入数据。

hook函数：

hook(module, input)

参数：

module：当前网络层 input：当前网络层输入数据

1-4 torch.Tensor.register_backward_hook()

功能： 注册 module 的反向传播的hook函数，可用于获取梯度。

hook函数：

hook(module, grad_input, grad_output)

参数：

module：当前网络层 input：当前网络层输入的梯度数据 output：当前网络层输出的梯度数据

class Net(nn.Module):        def __init__(self):            super(Net, self).__init__()            self.conv1 = nn.Conv2d(1, 2, 3)            self.pool1 = nn.MaxPool2d(2, 2)        def forward(self, x):            x = self.conv1(x)            x = self.pool1(x)            return x    def forward_hook(module, data_input, data_output):        fmap_block.append(data_output)        input_block.append(data_input)    def forward_pre_hook(module, data_input):        print("forward_pre_hook input:{}".format(data_input))    def backward_hook(module, grad_input, grad_output):        print("backward hook input:{}".format(grad_input))        print("backward hook output:{}".format(grad_output))    # 初始化网络    net = Net()    net.conv1.weight[0].detach().fill_(1)    net.conv1.weight[1].detach().fill_(2)    net.conv1.bias.data.detach().zero_()    # 注册hook    fmap_block = list()    input_block = list()    net.conv1.register_forward_hook(forward_hook)    net.conv1.register_forward_pre_hook(forward_pre_hook)    net.conv1.register_backward_hook(backward_hook)    # inference    fake_img = torch.ones((1, 1, 4, 4))   # batch size * channel * H * W    output = net(fake_img)    loss_fnc = nn.L1Loss()    target = torch.randn_like(output)    loss = loss_fnc(target, output)    loss.backward()

2 hook函数实现机制

hook函数实现的原理是在module的__call()__函数进行拦截，__call()__函数可以分为 4 个部分：

第 1 部分是实现 _forward_pre_hooks 第 2 部分是实现 forward 前向传播 第 3 部分是实现 _forward_hooks 第 4 部分是实现 _backward_hooks 由于卷积层也是一个module，因此可以记录_forward_hooks。

def __call__(self, *input, **kwargs):        # 第 1 部分是实现 _forward_pre_hooks        for hook in self._forward_pre_hooks.values():            result = hook(self, input)            if result is not None:                if not isinstance(result, tuple):                    result = (result,)                input = result        # 第 2 部分是实现 forward 前向传播               if torch._C._get_tracing_state():            result = self._slow_forward(*input, **kwargs)        else:            result = self.forward(*input, **kwargs)        # 第 3 部分是实现 _forward_hooks           for hook in self._forward_hooks.values():            hook_result = hook(self, input, result)            if hook_result is not None:                result = hook_result        # 第 4 部分是实现 _backward_hooks        if len(self._backward_hooks) > 0:            var = result            while not isinstance(var, torch.Tensor):                if isinstance(var, dict):                    var = next((v for v in var.values() if isinstance(v, torch.Tensor)))                else:                    var = var[0]            grad_fn = var.grad_fn            if grad_fn is not None:                for hook in self._backward_hooks.values():                    wrapper = functools.partial(hook, self)                    functools.update_wrapper(wrapper, hook)                    grad_fn.register_hook(wrapper)        return result

3 示例

3-1 Hook 函数提取网络的特征图

下面通过hook函数获取 AlexNet 每个卷积层的所有卷积核参数，以形状作为 key，value 对应该层多个卷积核的 list。然后取出每层的第一个卷积核，形状是 [1, in_channle, h, w]，转换为 [in_channle, 1, h, w]，使用 TensorBoard 进行可视化，代码如下：

writer = SummaryWriter(comment='test_your_comment', filename_suffix="_test_your_filename_suffix")    # 数据    path_img = "imgs/lena.png"     # your path to image    normMean = [0.49139968, 0.48215827, 0.44653124]    normStd = [0.24703233, 0.24348505, 0.26158768]    norm_transform = transforms.Normalize(normMean, normStd)    img_transforms = transforms.Compose([        transforms.Resize((224, 224)),        transforms.ToTensor(),        norm_transform    ])    img_pil = Image.open(path_img).convert('RGB')    if img_transforms is not None:        img_tensor = img_transforms(img_pil)    img_tensor.unsqueeze_(0)    # chw --> bchw    # 模型    alexnet = models.alexnet(pretrained=True)    # 注册hook    fmap_dict = dict()    for name, sub_module in alexnet.named_modules():        if isinstance(sub_module, nn.Conv2d):            key_name = str(sub_module.weight.shape)            fmap_dict.setdefault(key_name, list())            # 由于AlexNet 使用 nn.Sequantial 包装，所以 name 的形式是：features.0  features.1            n1, n2 = name.split(".")            def hook_func(m, i, o):                key_name = str(m.weight.shape)                fmap_dict[key_name].append(o)            alexnet._modules[n1]._modules[n2].register_forward_hook(hook_func)    # forward    output = alexnet(img_tensor)    # add image    for layer_name, fmap_list in fmap_dict.items():        fmap = fmap_list[0]# 取出第一个卷积核的参数        fmap.transpose_(0, 1) # 把 BCHW 转换为 CBHW        nrow = int(np.sqrt(fmap.shape[0]))        fmap_grid = vutils.make_grid(fmap, normalize=True, scale_each=True, nrow=nrow)        writer.add_image('feature map in {}'.format(layer_name), fmap_grid, global_step=322)

转载地址：https://liumin.blog.csdn.net/article/details/117290328 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！