了解torch.nn.Parameter
python
pytorch
5
0

我是pytorch的新手,我很难理解torch.nn.Parameter()工作方式。

我已经浏览了https://pytorch.org/docs/stable/nn.html中的文档,但是从中可能会很有用。

有人可以帮忙吗?

我正在处理的代码段:

def __init__(self, weight):
    super(Net, self).__init__()
    # initializes the weights of the convolutional layer to be the weights of the 4 defined filters
    k_height, k_width = weight.shape[2:]
    # assumes there are 4 grayscale filters
    self.conv = nn.Conv2d(1, 4, kernel_size=(k_height, k_width), bias=False)
    self.conv.weight = torch.nn.Parameter(weight)
参考资料:
Stack Overflow
收藏
评论
共 2 个回答
高赞 时间 活跃

我会为你分解。如您所知,张量是多维矩阵。原始形式的参数是张量,即多维矩阵。它对变量类进行子类化。

与模块关联时,会出现变量和参数之间的差异。当参数与作为模型属性的模块关联时,它会自动添加到参数列表中,并且可以使用“参数”迭代器进行访问。

最初在Torch中,变量(例如可能是中间状态)也将在分配时作为模型的参数添加。后来发现了用例,其中确定了需要缓存变量而不是将其添加到参数列表中的需求。

如文档中所述,RNN就是这种情况,您需要保存最后的隐藏状态,因此不必一次又一次地传递它。需要缓存一个变量,而不是让它自动作为模型的参数注册,这就是为什么我们有一种明确的方法将参数注册到模型中,即nn.Parameter类。

例如,运行以下代码-

import torch
import torch.nn as nn
from torch.optim import Adam

class NN_Network(nn.Module):
    def __init__(self,in_dim,hid,out_dim):
        super(NN_Network, self).__init__()
        self.linear1 = nn.Linear(in_dim,hid)
        self.linear2 = nn.Linear(hid,out_dim)
        self.linear1.weight = torch.nn.Parameter(torch.zeros(in_dim,hid))
        self.linear1.bias = torch.nn.Parameter(torch.ones(hid))
        self.linear2.weight = torch.nn.Parameter(torch.zeros(in_dim,hid))
        self.linear2.bias = torch.nn.Parameter(torch.ones(hid))

    def forward(self, input_array):
        h = self.linear1(input_array)
        y_pred = self.linear2(h)
        return y_pred

in_d = 5
hidn = 2
out_d = 3
net = NN_Network(in_d, hidn, out_d)

现在,检查与此模型关联的参数列表-

for param in net.parameters():
    print(type(param.data), param.size())

""" Output
<class 'torch.FloatTensor'> torch.Size([5, 2])
<class 'torch.FloatTensor'> torch.Size([2])
<class 'torch.FloatTensor'> torch.Size([5, 2])
<class 'torch.FloatTensor'> torch.Size([2])
"""

或者尝试

list(net.parameters())

这可以很容易地馈送到您的优化器-

opt = Adam(net.parameters(), learning_rate=0.001)

另外,请注意,参数默认情况下已设置了require_grad。

收藏
评论

最近的PyTorch版本中仅包含张量,因此不建议使用Variable的概念。

参数只是张量,仅限于定义的模块(在模块构造函数__init__方法中)。

它们将出现在module.parameters() 。当您构建自定义模块时,这非常方便,这得益于这些参数的梯度下降。

因为参数是张量,所以对于PyTorch张量而言,任何正确的情况对于参数都是正确的。

此外,如果模块转到GPU,参数也将转到。如果模块被保存,参数也将被保存。

有一个类似的概念可以对称为缓冲区的参数进行建模。

这些张量在模块内部被称为张量,但是这些张量并不是要通过梯度下降来学习的,相反,您可以认为它们就像变量一样。您将根据需要在模块forward()更新命名缓冲区。

对于缓冲区,它们也将随模块一起进入GPU,并且将与模块一起保存也是正确的。

在此处输入图片说明

收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号