1 模型的兩種參數(shù)

在 Pytorch 中一種模型保存和加載的方式如下:（具體見pytorch模型的保存與加載_劉文巾的博客-CSDN博客）

#save torch.save(net.state_dict(),PATH)#load model=MyModel(*args,**kwargs) model.load_state_dict(torch.load(PATH)) model.eval

模型保存的是 net.state_dict()?的返回對象。

net.state_dict()?的返回對象是一個?OrderDict?，它以鍵值對的形式包含模型中需要保存下來的參數(shù)

上例模型中的參數(shù)就是線性層的 weight 和 bias.

?

模型中需要保存下來的參數(shù)包括兩種:

• 一種是反向傳播需要被optimizer更新的，稱之為 parameter
• 一種是反向傳播不需要被optimizer更新，稱之為 buffer

第一種參數(shù)我們可以通過?model.parameters()?返回；

第二種參數(shù)我們可以通過?model.buffers()?返回。

因為我們的模型保存的是?state_dict?返回的?OrderDict，所以這兩種參數(shù)不僅要滿足是否需要被更新的要求，還需要被保存到OrderDict。

2 Parameter

?

Parameter參數(shù)有兩種創(chuàng)建方式:

我們可以直接將模型的成員變量self.xxx通過nn.Parameter()?創(chuàng)建，會自動注冊到parameters中，可以通過model.parameters() 返回，并且這樣創(chuàng)建的參數(shù)會自動保存到OrderDict中去；

通過nn.Parameter()?創(chuàng)建普通Parameter對象，不作為模型的成員變量，然后將Parameter對象通過register_parameter()進行注冊，可以通過model.parameters()?返回，注冊后的參數(shù)也會自動保存到OrderDict中去;

像我們前面的nn.Conv1d,nn.Linear,nn.RNN等模型，里面的權(quán)重參數(shù)等會被自動認(rèn)為是Parameter 參數(shù)

3 buffer

buffer參數(shù)我們需要創(chuàng)建tensor, 然后將tensor通過register_buffer()進行注冊，可以通過model.buffers()?返回，注冊完后參數(shù)也會自動保存到OrderDict中去。

4 為什么要注冊???????

為什么不直接將不需要進行參數(shù)修改的變量作為模型類的成員變量就好了，還要進行注冊?

不進行注冊，參數(shù)不能保存到?OrderDict，也就無法進行保存

模型進行參數(shù)在CPU和GPU移動時, 執(zhí)行?model.to(device)?，注冊后的參數(shù)可以自動進行設(shè)備移動

5 實例說明

import torch class net(torch.nn.Module):def __init__(self):super(net,self).__init__()#創(chuàng)建bufferself.register_buffer('my_buffer',torch.Tensor([1,2,3]))self.a=torch.Tensor([1])self.param1=torch.nn.Parameter(torch.Tensor([1,3,5,7,9]))#方法1 創(chuàng)建的parameterparam2=torch.nn.Parameter(torch.Tensor([2,4,6,8,0]))self.register_parameter('param2',param2)self.l=torch.nn.Linear(1,10)def forward(self,x):passn=net()for i in n.state_dict():print(i,n.state_dict()[i]) print('*'*10) for i in n.parameters():print(i) print('*'*10) for i in n.buffers():print(i) print('*'*10)''' param1 tensor([1., 3., 5., 7., 9.]) param2 tensor([2., 4., 6., 8., 0.]) my_buffer tensor([1., 2., 3.]) l.weight tensor([[-0.1490],[-0.2445],[-0.5296],[-0.3687],[-0.9683],[ 0.3491],[-0.8726],[-0.7213],[ 0.3201],[-0.9994]]) l.bias tensor([ 0.6718, 0.3055, 0.7755, 0.3780, -0.8169, 0.3663, -0.6937, -0.3136,0.6907, 0.8732]) ********** Parameter containing: tensor([1., 3., 5., 7., 9.], requires_grad=True) Parameter containing: tensor([2., 4., 6., 8., 0.], requires_grad=True) Parameter containing: tensor([[-0.1490],[-0.2445],[-0.5296],[-0.3687],[-0.9683],[ 0.3491],[-0.8726],[-0.7213],[ 0.3201],[-0.9994]], requires_grad=True) Parameter containing: tensor([ 0.6718, 0.3055, 0.7755, 0.3780, -0.8169, 0.3663, -0.6937, -0.3136,0.6907, 0.8732], requires_grad=True) ********** tensor([1., 2., 3.]) ********** '''

?

總結(jié)

以上是生活随笔為你收集整理的pytorch笔记 pytorch模型中的parameter与buffer的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。