引言

FX 基于的特征提取是 TorchVision 的一个新实用工具，它允许我们在 PyTorch Module 的正向传播过程中访问输入的中间变换。它通过符号化地跟踪正向方法来生成一个图，其中每个节点代表一个操作。节点以人类可读的方式命名，以便用户可以轻松指定他们想要访问的节点。

这听起来有点复杂吗？不用担心，这篇文章适合所有人。无论您是初学者还是高级深度视觉从业者，您都有可能想了解 FX 特征提取。如果您仍然想了解更多关于特征提取的背景知识，请继续阅读。如果您已经熟悉了这些，并想知道如何在 PyTorch 中实现它，请跳到 PyTorch 中的现有方法：优缺点。如果您已经了解在 PyTorch 中进行特征提取的挑战，请随时跳到 FX 来拯救。

特征提取回顾

我们都习惯了深度神经网络 (DNN) 接收输入并产生输出的概念，我们不一定会考虑中间发生了什么。让我们以 ResNet-50 分类模型为例。

图 1：ResNet-50 接收一张鸟的图像，并将其转换为抽象概念“鸟”。来源：来自 ImageNet 的鸟图像。

然而，我们知道 ResNet-50 架构中有许多顺序的“层”，它们逐步变换输入。在下面的图 2 中，我们揭示了 ResNet-50 中的层，并展示了输入通过这些层时的中间变换。

图 2：ResNet-50 分多步变换输入图像。从概念上讲，我们可以在每个步骤之后访问图像的中间变换。来源：来自 ImageNet 的鸟图像。

PyTorch 中的现有方法：优缺点

在 FX 基于的特征提取引入之前，PyTorch 中已经有一些进行特征提取的方法。

为了说明这些方法，让我们考虑一个简单的卷积神经网络，它执行以下操作：

• 应用多个“块”，每个块内有多个卷积层。
• 在几个块之后，它使用全局平均池化和展平操作。
• 最后，它使用单个输出分类层。

import torch
from torch import nn


class ConvBlock(nn.Module):
   """
   Applies `num_layers` 3x3 convolutions each followed by ReLU then downsamples
   via 2x2 max pool.
   """

   def __init__(self, num_layers, in_channels, out_channels):
       super().__init__()
       self.convs = nn.ModuleList(
           [nn.Sequential(
               nn.Conv2d(in_channels if i==0 else out_channels, out_channels, 3, padding=1),
               nn.ReLU()
            )
            for i in range(num_layers)]
       )
       self.downsample = nn.MaxPool2d(kernel_size=2, stride=2)
      
   def forward(self, x):
       for conv in self.convs:
           x = conv(x)
       x = self.downsample(x)
       return x
      

class CNN(nn.Module):
   """
   Applies several ConvBlocks each doubling the number of channels, and
   halving the feature map size, before taking a global average and classifying.
   """

   def __init__(self, in_channels, num_blocks, num_classes):
       super().__init__()
       first_channels = 64
       self.blocks = nn.ModuleList(
           [ConvBlock(
               2 if i==0 else 3,
               in_channels=(in_channels if i == 0 else first_channels*(2**(i-1))),
               out_channels=first_channels*(2**i))
            for i in range(num_blocks)]
       )
       self.global_pool = nn.AdaptiveAvgPool2d((1, 1))
       self.cls = nn.Linear(first_channels*(2**(num_blocks-1)), num_classes)

   def forward(self, x):
       for block in self.blocks:
           x = block(x)
       x = self.global_pool(x)
       x = x.flatten(1)
       x = self.cls(x)
       return x


model = CNN(3, 4, 10)
out = model(torch.zeros(1, 3, 32, 32))  # This will be the final logits over classes

假设我们想在全局平均池化之前获取最终的特征图。我们可以这样做：

修改正向方法

def forward(self, x):
   for block in self.blocks:
       x = block(x)
   self.final_feature_map = x
   x = self.global_pool(x)
   x = x.flatten(1)
   x = self.cls(x)
   return x

或者直接返回它

def forward(self, x):
   for block in self.blocks:
       x = block(x)
   final_feature_map = x
   x = self.global_pool(x)
   x = x.flatten(1)
   x = self.cls(x)
   return x, final_feature_map

这看起来很简单。但这里有一些缺点，它们都源于同一个根本问题：修改源代码并不理想。

• 考虑到项目的实际情况，访问和更改并不总是那么容易。
• 如果我们想要灵活性（打开或关闭特征提取，或对其进行变体），我们需要进一步修改源代码以支持这一点。
• 这不总是插入一行代码的问题。想想看，用我编写这个模块的方式，你如何从其中一个中间块中获取特征图。
• 总而言之，我们宁愿避免维护模型源代码的开销，因为我们实际上不需要改变它的工作方式。

人们可以看到，当处理更大、更复杂的模型，并试图从嵌套的子模块中获取特征时，这种缺点会变得更加棘手。

使用原始模块的参数编写新模块

延续上面的例子，假设我们想从每个块中获取特征图。我们可以这样编写一个新模块：

class CNNFeatures(nn.Module):
   def __init__(self, backbone):
       super().__init__()
       self.blocks = backbone.blocks

   def forward(self, x):
       feature_maps = []
       for block in self.blocks:
           x = block(x)
           feature_maps.append(x)
       return feature_maps


backbone = CNN(3, 4, 10)
model = CNNFeatures(backbone)
out = model(torch.zeros(1, 3, 32, 32))  # This is now a list of Tensors, each representing a feature map

事实上，这很像 TorchVision 内部用于制作许多检测模型的方法。

尽管这种方法解决了一些直接修改源代码的问题，但仍然存在一些主要缺点：

• 只有访问顶级子模块的输出才真正简单。处理嵌套子模块会迅速变得复杂。
• 我们必须小心，不要遗漏输入和输出之间的任何重要操作。我们将原始模块的精确功能转录到新模块时引入了潜在的错误。

总的来说，这种方法和上一种方法都存在将特征提取与模型源代码本身联系起来的复杂性。事实上，如果我们检查 TorchVision 模型的源代码，我们可能会怀疑一些设计选择受到了希望以这种方式将其用于下游任务的影响。

使用 Hook

Hook 将我们从编写源代码的范式转变为指定输出的范式。考虑到我们上面的玩具 CNN 示例以及获取每个层特征图的目标，我们可以像这样使用 Hook：

model = CNN(3, 4, 10)
feature_maps = []  # This will be a list of Tensors, each representing a feature map

def hook_feat_map(mod, inp, out):
	feature_maps.append(out)

for block in model.blocks:
	block.register_forward_hook(hook_feat_map)

out = model(torch.zeros(1, 3, 32, 32))  # This will be the final logits over classes

现在我们在访问嵌套子模块方面拥有完全的灵活性，并且我们摆脱了修改源代码的责任。但这种方法也有其自身的缺点：

• 我们只能将 Hook 应用于模块。如果我们有功能性操作（reshape、view、功能性非线性等），我们想要它们的输出，Hook 将无法直接作用于它们。
• 我们没有修改源代码的任何内容，因此无论 Hook 如何，整个正向传播都会执行。如果只需要访问早期特征而不需要最终输出，这可能会导致大量无用的计算。
• Hook 与 TorchScript 不兼容。

以下是不同方法及其优缺点的总结：

	无需任何修改或重写即可使用源代码	灵活访问特征	去除不必要的计算步骤	兼容 TorchScript
修改正向方法	否	理论上可以。取决于你愿意写多少代码。所以在实践中，不行。	是	是
重用原始模块的子模块/参数的新模块	否	理论上可以。取决于你愿意写多少代码。所以在实践中，不行。	是	是
Hook	是	基本是。仅限于子模块的输出	否	否

表 1：PyTorch 中一些现有特征提取方法的优点（或缺点）

在本文的下一节中，让我们看看如何全面实现“是”。

FX 来拯救

对于 Python 和编码新手来说，此时的自然问题可能是：“我们不能直接指向一行代码，然后告诉 Python 或 PyTorch 我们想要那行代码的结果吗？”对于那些花更多时间编码的人来说，无法做到这一点的原因很清楚：一行代码中可能会发生多个操作，无论是显式编写在那里，还是作为子操作隐式存在。就拿这个简单的模块作为例子：

class MyModule(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.param = torch.nn.Parameter(torch.rand(3, 4))
        self.submodule = MySubModule()

    def forward(self, x):
        return self.submodule(x + self.param).clamp(min=0.0, max=1.0)

正向方法只有一行代码，我们可以将其展开为：

1. 将 `self.param` 添加到 `x`
2. 将 x 传递给 self.submodule。这里我们需要考虑该子模块中发生的步骤。我将仅使用虚拟操作名称进行说明：I. submodule.op_1 II. submodule.op_2
3. 应用 clamp 操作

所以即使我们指向这一行，问题仍然是：“我们想从哪一步提取输出？”

FX 是 PyTorch 的核心工具包，它（过度简化地说）完成了我刚才提到的展开工作。它执行一种称为“符号跟踪”的操作，这意味着 Python 代码通过使用真实输入的虚拟代理，逐个操作地进行解释和执行。引入一些术语，上面描述的每个步骤都被视为一个**“节点”**，连续的节点相互连接以形成一个**“图”**（与常见的数学图概念类似）。以下是将上述“步骤”转换为图概念的示例。

图 3：对简单正向方法的示例进行符号跟踪结果的图形表示。

请注意，我们称之为图，而不仅仅是一组步骤，因为图可能会分叉并重新组合。想想残差块中的跳跃连接。这看起来像这样：

图 4：残差跳跃连接的图形表示。中间节点类似于残差块的主分支，最终节点表示主分支输入和输出的和。

现在，TorchVision 的 **get_graph_node_names** 函数应用了上述 FX，并在执行过程中，为每个节点标记了一个人类可读的名称。让我们用上一节中的玩具 CNN 模型来尝试一下：

model = CNN(3, 4, 10)
from torchvision.models.feature_extraction import get_graph_node_names
nodes, _ = get_graph_node_names(model)
print(nodes)

结果如下：

['x', 'blocks.0.convs.0.0', 'blocks.0.convs.0.1', 'blocks.0.convs.1.0', 'blocks.0.convs.1.1', 'blocks.0.downsample', 'blocks.1.convs.0.0', 'blocks.1.convs.0.1', 'blocks.1.convs.1.0', 'blocks.1.convs.1.1', 'blocks.1.convs.2.0', 'blocks.1.convs.2.1', 'blocks.1.downsample', 'blocks.2.convs.0.0', 'blocks.2.convs.0.1', 'blocks.2.convs.1.0', 'blocks.2.convs.1.1', 'blocks.2.convs.2.0', 'blocks.2.convs.2.1', 'blocks.2.downsample', 'blocks.3.convs.0.0', 'blocks.3.convs.0.1', 'blocks.3.convs.1.0', 'blocks.3.convs.1.1', 'blocks.3.convs.2.0', 'blocks.3.convs.2.1', 'blocks.3.downsample', 'global_pool', 'flatten', 'cls']

我们可以将这些节点名称理解为分层组织的“地址”，用于表示感兴趣的操作。例如，`blocks.1.downsample` 指的是第二个 `ConvBlock` 中的 `MaxPool2d` 层。

create_feature_extractor，所有魔法发生的地方，比 **get_graph_node_names** 更进一步。它将所需的节点名称作为输入参数之一，然后利用更多 FX 核心功能来：

1. 将所需节点指定为输出。
2. 剪除不必要的下游节点及其相关参数。
3. 将生成的图转换回 Python 代码。
4. 向用户返回另一个 PyTorch 模块。该模块的正向方法包含步骤 3 中的 Python 代码。

作为演示，下面是如何应用 `create_feature_extractor` 从我们的玩具 CNN 模型中获取 4 个特征图：

from torchvision.models.feature_extraction import create_feature_extractor
# Confused about the node specification here?
# We are allowed to provide truncated node names, and `create_feature_extractor`
# will choose the last node with that prefix.
feature_extractor = create_feature_extractor(
	model, return_nodes=['blocks.0', 'blocks.1', 'blocks.2', 'blocks.3'])
# `out` will be a dict of Tensors, each representing a feature map
out = feature_extractor(torch.zeros(1, 3, 32, 32))

就是这么简单。归根结底，FX 特征提取只是一种方法，它使我们能够实现一些人在刚开始编程时天真地希望做到的事情：“（手指指向屏幕）*只要给我这段代码的输出。”*

• … 不需要我们修改源代码。
• … 提供了完全的灵活性，可以访问输入的任何中间变换，无论是模块的结果还是功能操作的结果。
• … 一旦提取了特征，确实会丢弃不必要的计算步骤。
• … 我之前没有提到，但它也兼容 TorchScript！

这是包含 FX 特征提取的新增行的表格：

	无需任何修改或重写即可使用源代码	灵活访问特征	去除不必要的计算步骤	兼容 TorchScript
修改正向方法	否	理论上可以。取决于你愿意写多少代码。所以在实践中，不行。	是	是
重用原始模块的子模块/参数的新模块	否	理论上可以。取决于你愿意写多少代码。所以在实践中，不行。	是	是
Hook	是	基本是。仅限于子模块的输出	否	否
FX	是	是	是	是

表 2：表 1 的副本，新增了一行 FX 特征提取。FX 特征提取在所有方面都得到了“是”！

当前 FX 限制

虽然我非常想就此结束这篇文章，但 FX 确实有一些自身的限制，归结为：

1. 当涉及到解释和转换为图的步骤时，FX 可能尚未处理某些 Python 代码。
2. 动态控制流无法用静态图表示。

当这些问题出现时，最简单的做法是将底层代码打包成一个“叶节点”。回想图 3 中的示例图？从概念上讲，我们可以同意 `submodule` 应该被视为一个独立的节点，而不是一组表示底层操作的节点。如果我们这样做，我们可以将图重新绘制为：

图 5：`submodule` 中的单个操作（左侧 - 红色框内）可以合并为一个节点（右侧 - 节点 #2），如果我们将其视为一个“叶”节点。

如果子模块中存在一些问题代码，但我们不需要从中提取任何中间变换，我们就会这样做。实际上，通过向 `create_feature_extractor` 或 `get_graph_node_names` 提供关键字参数，这很容易实现。

model = CNN(3, 4, 10)
nodes, _ = get_graph_node_names(model, tracer_kwargs={'leaf_modules': [ConvBlock]})
print(nodes)

输出将是：

['x', 'blocks.0', 'blocks.1', 'blocks.2', 'blocks.3', 'global_pool', 'flatten', 'cls']

请注意，与之前相比，任何给定 `ConvBlock` 的所有节点都合并为一个节点。

我们可以对函数做类似的事情。例如，Python 内置的 `len` 需要被包装，结果应该被视为叶节点。以下是如何使用核心 FX 功能来完成此操作：

torch.fx.wrap('len')

class MyModule(nn.Module):
   def forward(self, x):
       x += 1
       len(x)

model = MyModule()
feature_extractor = create_feature_extractor(model, return_nodes=['add'])

对于您定义的函数，您可以改用 `create_feature_extractor` 的另一个关键字参数（小细节：为什么您可能希望以这种方式进行操作）：

def myfunc(x):
   return len(x)

class MyModule(nn.Module):
   def forward(self, x):
       x += 1
       myfunc(x)

model = MyModule()
feature_extractor = create_feature_extractor(
   model, return_nodes=['add'], tracer_kwargs={'autowrap_functions': [myfunc]})

请注意，以上所有修复都不涉及修改源代码。

当然，有时您想要访问的中间变换可能位于导致问题的同一个正向方法或函数中。在这种情况下，我们不能简单地将该模块或函数视为叶节点，因为那样我们就无法访问内部的中间变换。在这些情况下，需要对源代码进行一些重写。以下是一些示例（不详尽）：

• 当尝试跟踪包含 `assert` 语句的代码时，FX 将引发错误。在这种情况下，您可能需要移除该断言或将其替换为 `torch._assert`（这不是一个公共函数 – 因此将其视为权宜之计，请谨慎使用）。
• 不支持对张量切片进行原地更改的符号跟踪。您需要为切片创建一个新变量，应用操作，然后使用连接或堆叠重建原始张量。
• 在静态图中表示动态控制流逻辑上是不可能的。尝试将编码逻辑提炼为非动态的内容——请参阅 FX 文档以获取提示。

通常，您可以查阅 FX 文档以获取有关符号跟踪限制和可能的变通方法的更多详细信息。

总结

我们快速回顾了特征提取以及为什么要进行特征提取。尽管 PyTorch 中存在进行特征提取的现有方法，但它们都存在相当大的缺点。我们了解了 TorchVision 的 FX 特征提取实用程序的工作原理，以及与现有方法相比，它为何如此多功能。虽然后者仍有一些小问题需要解决，但我们理解其局限性，并可以根据我们的用例权衡与其他方法的局限性。希望通过将这个新实用程序添加到您的 PyTorch 工具包中，您现在能够处理绝大多数可能遇到的特征提取需求。

编程愉快！