文章目录

• torch.nn.Parameter
• • 基本介绍
  • 参数构造
  • 参数访问
  • 参数初始化
  • • 使用内置初始化
    • 自定义初始化
  • 参数绑定
• 参考

torch.nn.Parameter

基本介绍

torch.nn.Parameter是继承自torch.Tensor的子类，其主要作用是作为nn.Module中的可训练参数使用。它与torch.Tensor的区别就是nn.Parameter会自动被认为是module的可训练参数，即加入到parameter()这个迭代器中去。

具体格式如下：

torch.nn.parameter.Parameter(data=None, requires_grad=True)

其中 data 为待传入的 Tensor，requires_grad 默认为 True。

事实上，torch.nn 中提供的模块中的参数均是 nn.Parameter 类，例如：

module = nn.Linear(3, 3)
type(module.weight)
# torch.nn.parameter.Parameter
type(module.bias)
# torch.nn.parameter.Parameter

参数构造

nn.Parameter可以看作是一个类型转换函数，将一个不可训练的类型 Tensor 转换成可以训练的类型 parameter ，并将这个 parameter 绑定到这个module 里面nn.Parameter()添加的参数会被添加到Parameters列表中，会被送入优化器中随训练一起学习更新

此时调用 parameters()方法会显示参数。读者可自行体会以下两端代码：

""" 代码片段一 """
class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.weight = torch.randn(3, 3)
        self.bias = torch.randn(3)

    def forward(self, inputs):
        pass

net = Net()
print(list(net.parameters()))
# []

""" 代码片段二 """
class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.weight = **nn.Parameter**(torch.randn(3, 3))  # 将tensor转换成parameter类型
        self.bias = **nn.Parameter**(torch.randn(3))

    def forward(self, inputs):
        pass

net = Net()
print(list(**net.parameters()**)) # 显示参数
# [Parameter containing:
# tensor([[-0.4584,  0.3815, -0.4522],
#         [ 2.1236,  0.7928, -0.7095],
#         [-1.4921, -0.5689, -0.2342]], requires_grad=True), Parameter containing:
# tensor([-0.6971, -0.7651,  0.7897], requires_grad=True)]

nn.Parameter相当于把传入的数据包装成一个参数，如果要直接访问/使用其中的数据而非参数本身，可对 nn.Parameter对象调用 data属性：

a = torch.tensor([1, 2, 3]).to(torch.float32)
param = nn.Parameter(a)
print(param)
# Parameter containing:
# tensor([1., 2., 3.], requires_grad=True)
print(param.data)
# tensor([1., 2., 3.])

参数访问

nn.Module 中有 **state_dict()** 方法，该方法将以字典形式返回模块的所有状态，包括模块的参数和 persistent buffers ，字典的键就是对应的参数/缓冲区的名称。

由于所有模块都继承 nn.Module，因此我们可以对任意的模块调用 state_dict() 方法以查看状态：

linear_layer = nn.Linear(2, 2)
print(linear_layer.state_dict())
# OrderedDict([('weight', tensor([[ 0.2602, -0.2318],
#         [-0.5192,  0.0130]])), ('bias', tensor([0.5890, 0.2476]))])
print(linear_layer.state_dict().keys())
# odict_keys(['weight', 'bias'])

对于线性层，除了 state_dict()之外，我们还可以对其直接调用相应的属性，如下：

linear_layer = nn.Linear(2, 1)
print(linear_layer.weight)
# Parameter containing:
# tensor([[-0.1990,  0.3394]], requires_grad=True)
print(linear_layer.bias)
# Parameter containing:
# tensor([0.2697], requires_grad=True)

需要注意的是以上返回的均为参数对象，如需使用其中的数据，可调用 data
属性。

参数初始化

使用内置初始化

对于下面的单隐层网络，我们想对其中的两个线性层应用内置初始化器

class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.layers = nn.Sequential(
            nn.Linear(3, 2),
            nn.ReLU(),
            nn.Linear(2, 3),
        )
    
    def forward(self, X):
        return self.layers(X)

假设权重从 N(0,1) 中采样，偏置全部初始化为 0，则初始化代码如下:

def init_normal(module):
    # 需要判断子模块是否为nn.Linear类，因为激活函数没有参数
    if type(module) == nn.Linear:
        nn.init.normal_(module.weight, mean=0, std=1)
        nn.init.zeros_(module.bias)

net = Net()
net.apply(init_normal)
for param in net.parameters():
    print(param)
# Parameter containing:
# tensor([[-0.3560,  0.8078, -2.4084],
#         [ 0.1700, -0.3217, -1.3320]], requires_grad=True)
# Parameter containing:
# tensor([0., 0.], requires_grad=True)
# Parameter containing:
# tensor([[-0.8025, -1.0695],
#         [-1.7031, -0.3068],
#         [-0.3499,  0.4263]], requires_grad=True)
# Parameter containing:
# tensor([0., 0., 0.], requires_grad=True)

对 net调用 apply方法则会递归地对其下所有的子模块应用 init_normal函数。

自定义初始化

如果我们想要自定义初始化，例如使用以下的分布来初始化网络的权重：

def my_init(module):
    if type(module) == nn.Linear:
        nn.init.uniform_(module.weight, -10, 10)
        mask = module.weight.data.abs() >= 5
        module.weight.data *= mask

net = Net()
net.apply(my_init)
for param in net.parameters():
    print(param)
# Parameter containing:
# tensor([[-0.0000, -5.9610,  8.0000],
#         [-0.0000, -0.0000,  7.6041]], requires_grad=True)
# Parameter containing:
# tensor([ 0.4058, -0.2891], requires_grad=True)
# Parameter containing:
# tensor([[ 0.0000, -0.0000],
#         [-6.9569, -9.5102],
#         [-9.0270, -0.0000]], requires_grad=True)
# Parameter containing:
# tensor([ 0.2521, -0.1500, -0.1484], requires_grad=True)

参数绑定

对于一个三隐层网络：

net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
                    nn.Linear(8, 8), nn.ReLU(),
                    nn.Linear(8, 8), nn.ReLU(),
                    nn.Linear(8, 1))

如果我们想让第二个隐层和第三个隐层共享参数，则可以这样做：

shared = nn.Linear(8, 8)
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
                    shared, nn.ReLU(),
                    shared, nn.ReLU(),
                    nn.Linear(8, 1))

参考

PyTorch学习笔记（六）–Sequential类、参数管理与GPU_Lareges的博客-CSDN博客_sequential类

torch.nn 中文文档

Python的torch.nn.Parameter初始化方法_昊大侠的博客-CSDN博客_torch.nn.parameter初始化