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。

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。