©2020-2024 ioDraw All rights reserved,
Privacy Policy
<>pytorch-参数管理
<>概述
我们的目标是找到使损失函数最小化的模型参数值。 经过训练后，我们将需要使用这些参数来做出未来的预测。
此外，有时我们希望提取参数，以便在其他环境中复用它们， 将模型保存下来，以便它可以在其他软件中执行， 或者为了获得科学的理解而进行检查。
# 创建一个单隐藏层的MLP import torch from torch import nn net = nn.Sequential(nn.Linear(
4,8),nn.ReLU(),nn.Linear(8,1)) X = torch.rand(size = (2,4)) net(X)
<>参数访问
# 参数访问 全连接层包含两个参数 分别是该层的权重和偏置 两者都为存储单精度浮点数 print(net[2].state_dict())
print(type(net[2].bias)) print(net[2].bias) print(net[2].bias.data)
# 一次性访问所有参数 print(*[(name,param.shape) for name,param in net[0].
named_parameters()]) print(*[(name,param.shape) for name,param in net.
named_parameters()])
<>嵌套块收集参数
def block1(): return nn.Sequential(nn.Linear(4,8),nn.ReLU(), nn.Linear(8,4),nn.
ReLU()) def block2(): net = nn.Sequential() for i in range(4): net.add_module(
f'block{i}',block1()) return net # 块和层之间进行组合 rgnet = nn.Sequential(block2(),nn.
Linear(4,1)) rgnet(X)
访问第一个主要的块中第二个子块的第一层的偏置
<>参数初始化
pytorch根据一个范围均匀初始化权重和偏置矩阵 这个范围是根据输入和输出维度计算得到，Pytorch.init模块提供了多种预置初始化方法。
<>内置初始化
下面的代码将所有的权重参数初始化为标准差为0.01的高斯随机变量 并且将偏置参数设置为0
def init_normal(m): if type(m) == nn.Linear: nn.init.normal_(m.weight,mean = 0,
std= 0.01) nn.init.zeros_(m.bias) net.apply(init_normal) net[0].weight.data[0],
net[0].bias.data[0]
可以将所有的参数初始化为1
def init_constant(m): if type(m) == nn.Linear: nn.init.constant_(m.weight,1) nn
.init.zeros_(m.bias) net.apply(init_constant) net[0].weight.data[0],net[0].bias.
data[0]
针对不同的块进行初始化
def init_xavier(m): if type(m) == nn.Linear: nn.init.xavier_uniform_(m.weight)
def init_42(m): if type(m) == nn.Linear: nn.init.constant_(m.weight,42) net[0].
apply(init_xavier) net[2].apply(init_42) print(net[0].weight.data[0]) print(net[
2].weight.data)
<>自定义初始化
def my_init(m): if type(m) == nn.Linear: print("Init", *[(name, param.shape)
for name, param in m.named_parameters()][0]) nn.init.uniform_(m.weight, -10, 10)
m.weight.data *= m.weight.data.abs() >= 5 net.apply(my_init) net[0].weight[:2]
<>参数共享
第三层和第四层共享一个参数
shared = nn.Linear(8,8) net = nn.Sequential(nn.Linear(4,8),nn.ReLU(), shared,nn
.ReLU(), shared,nn.ReLU(), nn.Linear(8,1)) net(X) print(net[2].weight.data[0] ==
net[4].weight.data[0])