torch.nn.Parameter 参数相关的介绍和使用

Posted 2023-04-04 zyw2002

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

了解 torch.nn.Parameter

【中文标题】了解 torch.nn.Parameter

【英文标题】：Understanding torch.nn.Parameter

【发布时间】：2018-11-28 19:51:07

【问题描述】：

我是 pytorch 的新手，我很难理解 torch.nn.Parameter() 的工作原理。

我已经阅读了https://pytorch.org/docs/stable/nn.html 中的文档，但可能对此知之甚少。

有人可以帮忙吗？

我正在处理的代码 sn-p：

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)

【问题讨论】：

这个话题似乎很有趣，也许你想发布一段你想讨论的代码？

嘿 iGian，我已经发布了我正在处理的代码 sn-p。提前致谢。

【参考方案1】：

我会为你分解它。您可能知道，张量是多维矩阵。参数的原始形式是张量，即多维矩阵。它是变量类的子类。

变量和参数之间的区别在于与模块关联时。当参数作为模型属性与模块关联时，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）也会在分配时作为模型的参数添加。后来发现了需要缓存变量而不是将它们添加到参数列表中的用例。

文档中提到的一种情况是 RNN，在这种情况下，您需要保存最后一个隐藏状态，这样您就不必一次又一次地传递它。需要缓存一个变量，而不是让它自动注册为模型的参数，这就是为什么我们有一种显式的方式将参数注册到我们的模型，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，检查与此模型相关的参数列表 -

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])
"""

或者试试，

list(net.parameters())

这可以很容易地提供给您的优化器 -

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

另外，请注意Parameters默认设置了require_grad。

【讨论】：

很好的解释！谢谢~@Astha Sharma

感谢您的精彩解释。关于您提供的代码，我有一个快速的问题。如self.linear2 线性网络有(hid,out_dim) 作为它的输入和输出维度，那么它对应的参数self.linear2.weight 是如何像torch.zeros(in_dim,hid) 那样有维度(in_dim, hid) 的呢？谢谢

如果我可以通过require_grad=False 关闭梯度计算，那么拥有参数有什么意义？

@anurag Parameter 是告诉 Pytorch 某些参数是可学习的正确方法。 require_grad 是告诉 Pyotrch 是否要修改参数的标志。

【参考方案2】：

最近的 PyTorch 版本只有张量，但变量的概念已被弃用。

Parameters 只是张量，仅限于定义它们的模块（在模块构造函数__init__ 方法中）。

它们将出现在module.parameters() 中。 当您构建通过这些参数梯度下降来学习的自定义模块时，这会很方便。

任何对 PyTorch 张量正确的东西对参数都是正确的，因为它们是张量。

此外，如果一个模块进入 GPU，参数也会进入。如果一个模块被保存，参数也会被保存。

有一个类似于模型参数的概念，称为buffers。

这些在模块中被命名为张量，但这些张量并不是要通过梯度下降来学习，而是你可以认为它们就像变量一样。您将根据需要更新模块 forward() 中的命名缓冲区。

对于buffer来说，也确实会和模块一起去GPU，和模块一起保存。

【讨论】：

Parameters 只有有限在__init__()中使用吗？

否，但最常见的是在 __init__ 方法中定义它们。