pytorch 23 hook的使用与介绍 及基于hook实现即插即用的DropBlock

Hook（钩子）：字面意思就是勾住一个函数，在其执行前修改输入数据或其他操作，或者在其执行后修改输出输出或其他操作。通过hook操作可以锁定一个layer对象（model中的模块）的生命周期，监视其执行状态和执行结果。在pytorch中，提供丰富的hook api，让我们可以监听并修改tensor在模型forword中的状态。在本博文中，基于hook操作实现了即插即用的Dropout操作，支持dorpblock、dropout2d等系列Dropout操作。

在pytorch中layer的生命周期可以简单的理解为：定义->初始化->前向传播->反向传播->销毁。其中前向传播和反向传播是其执行流程中最重要的部分，通过对前向传播和反向传播进行hook操作，可以获取数据在模型中的执行状态（比如实现CAM）并进行修改操作（比如实现梯度裁剪）。

Grad-CAM：基于梯度的类别响应特征可视化。通过hook操作获取相应layer的forward流程中feature map的output和backward流程中grad的output，然后将feature_map_output与backward_grad_output中相应的元素相乘，然后实现类别响应特征可视化。

梯度裁剪：对layer的backward流程中grad的output的值进行约束，使其不能大于特定值从而导致梯度爆炸。

1、pytorch中的hook接口

pytorch针对Model、modules.module、ScriptModule和Tensor 4种模块分别提供了相应的hook接口。其中针对于Tensor只提供了一个用于反向传播的hook，因为tensor的前向传播流程对用户是完全可见的。针对于Model、modules.module、ScriptModul