了解 torch.nn.Parameter

Posted 2023-03-12

【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。