PyTorch의 신경망을 구성할 때 사용되는 기본 클래스 nn.Model & SGNN

class SGNN(nn.Module):  # nn.Module을 상속받음으로써 PyTorch의 신경망 구조로 동작
    def __init__(self, in_feats, hidden_feats, out_feats):
        super(SGNN, self).__init__()  # nn.Module의 생성자를 호출하여 초기화
        self.layer1 = SGNNLayer(in_feats, hidden_feats)  # 첫 번째 레이어
        self.layer2 = SGNNLayer(hidden_feats, out_feats)  # 두 번째 레이어

    def forward(self, graph):  # forward 메서드는 순전파 로직을 정의
        h = graph.ndata['feat']  # 그래프의 노드 피처를 입력으로 사용
        print(f"입력 피처 차원: {h.shape}")
        h = self.layer1(graph, h)  # 첫 번째 레이어 통과
        print(f"첫 번째 레이어 출력 차원: {h.shape}")
        h = self.layer2(graph, h)  # 두 번째 레이어 통과
        return h  # 최종 출력

nn.Model 클래스를 상속받아 새로운 신경망 레이어나 모델을 정의할 수 있다.

 

PyTorch에서 모든 신경망은 nn.Moule을 기반으로 구현되며, 이를 통해 레이어를 생성하고, 학습 가능한 파라미터(가중치)를 자동으로 추적할 수 있다.

 

nn.Module의 역할

• 신경망의 레이어 또는 모델을 정의하는 데 사용된다.

1. 파라미터 관리
   : nn.Module을 상속받은 클래스 내부에서 선언된 파라미터(nn.Linear와 같은 레이어의 가중치)는 자동으로 추적된다.
2. 재귀적으로 모율 구성
   : nn.Module을 상속받은 클래스 내에서 또 다른 nn.Module(레이어나 서브모듈)을 선언하면, 이를 재귀적으로 관리하고 모듈 간에 데이터 전파를 쉽게 할 수 있다.
3. forward 메서드 제공
   : nn.Module 클래스는 forward() 메서드를 정의하도록 요구한다. 이 메서드는 입력 데이터를 ㄹ받아서 레이어에 통과시켜, 신경망의 순전파(forward propagation)을 정의한다.
4. 파라미터 초기화 및 저장/로드
   : nn.Module은 신경망의 파라미터 초기화, 저장, 로드 기능도 제공한다.