如何获取Torch所有数学运算列表及动态构建神经网络的函数验证与调用

有几种直接的方式可以获取：

• 查看torch顶层模块：用dir(torch)可以列出所有顶层成员，其中包含大量基础数学运算（如torch.add、torch.sin、torch.matmul等），可通过关键词（如add、mul、math）筛选目标运算。
• 查看torch.nn.functional模块：这里集合了大量面向神经网络的运算与激活函数，执行dir(torch.nn.functional)可获取完整列表，比如F.relu、F.conv2d、F.batch_norm等。
• 用代码筛选可调用运算：借助inspect模块过滤出函数/内置方法类型的对象，示例代码：

import torch
import inspect
import torch.nn.functional as F

# 筛选torch顶层的可调用数学运算
torch_math_ops = [name for name, obj in inspect.getmembers(torch) if callable(obj)]
# 筛选torch.nn.functional中的运算
f_ops = [name for name, obj in inspect.getmembers(F) if callable(obj)]

假设你的JSON配置文件结构类似{"layers": ["torch.relu", "torch.add", "torch.nn.functional.conv2d"]}，可以按以下步骤实现：

1. 解析JSON获取函数名字符串列表
2. 拆分函数路径，验证并获取对应的可调用对象
3. 传入输入张量执行函数

示例代码：

import json
import torch
import torch.nn.functional as F

# 加载JSON配置
with open('model_config.json', 'r') as f:
    config = json.load(f)
layer_funcs = config['layers']

def validate_and_get_func(func_str):
    # 拆分函数路径，比如"torch.nn.functional.relu"拆分为模块和函数名
    parts = func_str.split('.')
    current_obj = globals().get(parts[0])
    if not current_obj:
        return None
    # 逐层查找模块/函数
    for part in parts[1:]:
        current_obj = getattr(current_obj, part, None)
        if not current_obj:
            return None
    # 验证是否为可调用对象
    return current_obj if callable(current_obj) else None

# 示例输入张量
input_tensor = torch.randn(1, 3, 28, 28)

# 遍历执行每个函数
for func_str in layer_funcs:
    func = validate_and_get_func(func_str)
    if func:
        # 注意：不同函数参数需求不同，需根据实际场景传入参数
        if func_str == "torch.add":
            # add需要两个输入张量，示例传入同形状张量
            input_tensor = func(input_tensor, torch.randn_like(input_tensor))
        elif "conv2d" in func_str:
            # 卷积需要权重、偏置等参数，示例随机生成参数
            weight = torch.randn(16, 3, 3, 3)
            bias = torch.randn(16)
            input_tensor = func(input_tensor, weight, bias)
        else:
            input_tensor = func(input_tensor)
        print(f"执行{func_str}后输出形状: {input_tensor.shape}")
    else:
        print(f"无效函数名: {func_str}")

注意：实际应用中，建议在JSON中同时存储函数所需的参数配置（如卷积的核大小、输出通道数），结合inspect.signature检查函数参数签名，确保传入参数的合法性。

内容的提问来源于stack exchange，提问作者Hami