填坑——软编码

背景介绍

今天想重新复写一下模型结构，让模型能够自适应的去适应在不同的数据集，实现软编码。
首先介绍一下硬编码
参考博客
硬编码是指将具体的数值、路径、参数等直接写入程序代码中，而不通过变量或配置文件来表示。这样的做法使得程序中的这些数值和参数变得固定，不容易修改，且缺乏灵活性。硬编码的值通常被称为”魔法数”（Magic Numbers）或”魔法字符串”，因为它们没有直观的含义，只能通过查看代码来了解。
例如，以下是一个硬编码的示例，其中数值 10 直接出现在代码中：

for i in range(10):
    print("Iteration", i)

软编码（Softcoding）：

软编码是指通过变量、配置文件、参数等方式将具体数值或参数抽象出来，而不是直接写入代码。通过软编码，程序变得更加灵活，可以更容易地进行修改和维护，且适应性更强。

使用软编码的例子：

iterations = 10
for i in range(iterations):
    print("Iteration", i)

硬编码：将具体数值、参数等直接写入程序代码中，缺乏灵活性，不易修改和维护。

软编码：通过变量、配置文件等方式将数值或参数抽象出来，使得程序更具灵活性，易于修改和维护。

我的解决办法

1. 在foward中进行重新赋值（有问题），问题就是没有前向训练过程中都重新创建了一个linear，这个linear层的参数没有训练，相当于随机（注：只是我猜的，没有验证，挖个坑在这）

   import torch
   import torch.nn as nn
   
   class IntegratedNet(nn.Module):
       def __init__(self):
           super(IntegratedNet, self).__init__()
           self.linear = None # 在初始类中先第一一个self.linear=None ，而后在forward中重新定义
   
       def forward(self, x):
           if self.linear is None:
               self.linear = nn.Linear(in_features=x.size(1), out_features=1)
           
           x = self.linear(x)
           return x
   
   # 创建模型实例
   model = IntegratedNet()
   
   # 创建输入数据
   x = torch.randn(2, 512, 64)
   
   # 前向传播
   output = model(x)
   
   # 打印输出的形状
   print(output.size())

2. 第二种解决方法在__init__中留下一个接口，在调用这个模型时直接重新赋值。

   class IntegratedNet(nn.Module):
       def __init__(self, input_size=3, mlp_dim=512, mlp_ratio=4,
                    dims=[64, 128, 320, 512],in_feature=64):
           super(IntegratedNet, self).__init__()
   
   model = IntegratedNet(input_size=2,in_feature=209)  # 全部重新赋值，实现
   device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
   model = model.to(device)
   
   # 打印模型结构摘要
   summary(model, (2, 33, 3333))

3. 重新构建网络结构，加入自适应池化层。