这篇教程Pytorch模型中的parameter与buffer用法写得很实用，希望能帮到您。
Parameter 和 bufferIf you have parameters in your model, which should be saved and restored in the state_dict, but not trained by the optimizer, you should register them as buffers.Buffers won't be returned in model.parameters(), so that the optimizer won't have a change to update them.
模型中需要保存下来的参数包括两种一种是反向传播需要被optimizer更新的，称之为 parameter 一种是反向传播不需要被optimizer更新，称之为 buffer 第一种参数我们可以通过 model.parameters() 返回；第二种参数我们可以通过 model.buffers() 返回。因为我们的模型保存的是 state_dict 返回的 OrderDict，所以这两种参数不仅要满足是否需要被更新的要求，还需要被保存到OrderDict。 那么现在的问题是这两种参数如何创建呢，创建好了如何保存到OrderDict呢？ 第一种参数有两种方式我们可以直接将模型的成员变量(http://self.xxx) 通过nn.Parameter() 创建，会自动注册到parameters中，可以通过model.parameters() 返回，并且这样创建的参数会自动保存到OrderDict中去； 通过nn.Parameter() 创建普通Parameter对象，不作为模型的成员变量，然后将Parameter对象通过register_parameter()进行注册，可以通model.parameters() 返回，注册后的参数也会自动保存到OrderDict中去; 第二种参数我们需要创建tensor然后将tensor通过register_buffer()进行注册，可以通model.buffers() 返回，注册完后参数也会自动保存到OrderDict中去。 Pytorch中Module,Parameter和Buffer区别下文都将torch.nn简写成nn Module: 就是我们常用的torch.nn.Module类，你定义的所有网络结构都必须继承这个类。 Buffer: buffer和parameter相对，就是指那些不需要参与反向传播的参数 示例如下：class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.my_tensor = torch.randn(1) # 参数直接作为模型类成员变量 self.register_buffer('my_buffer', torch.randn(1)) # 参数注册为 buffer self.my_param = nn.Parameter(torch.randn(1)) def forward(self, x): return x model = MyModel()print(model.state_dict())>>>OrderedDict([('my_param', tensor([1.2357])), ('my_buffer', tensor([-0.9982]))])Parameter: 是nn.parameter.Paramter，也就是组成Module的参数。例如一个nn.Linear通常由weight和bias参数组成。它的特点是默认requires_grad=True,也就是说训练过程中需要反向传播的，就需要使用这个import torch.nn as nnfc = nn.Linear(2,2)# 读取参数的方式一fc._parameters>>> OrderedDict([('weight', Parameter containing: tensor([[0.4142, 0.0424], [0.3940, 0.0796]], requires_grad=True)), ('bias', Parameter containing: tensor([-0.2885, 0.5825], requires_grad=True))]) # 读取参数的方式二（推荐这种）for n, p in fc.named_parameters(): print(n,p)>>>weight Parameter containing:tensor([[0.4142, 0.0424], [0.3940, 0.0796]], requires_grad=True)bias Parameter containing:tensor([-0.2885, 0.5825], requires_grad=True)# 读取参数的方式三for p in fc.parameters(): print(p)>>>Parameter containing:tensor([[0.4142, 0.0424], [0.3940, 0.0796]], requires_grad=True)Parameter containing:tensor([-0.2885, 0.5825], requires_grad=True)通过上面的例子可以看到，nn.parameter.Paramter的requires_grad属性值默认为True。另外上面例子给出了三种读取parameter的方法，推荐使用后面两种，因为是以迭代生成器的方式来读取，第一种方式是一股脑的把参数全丢给你，要是模型很大，估计你的电脑会吃不消。 另外需要介绍的是_parameters是nn.Module在__init__()函数中就定义了的一个OrderDict类，这个可以通过看下面给出的部分源码看到,可以看到还初始化了很多其他东西，其实原理都大同小异，你理解了这个之后，其他的也是同样的道理。 class Module(object): ... def __init__(self): self._backend = thnn_backend self._parameters = OrderedDict() self._buffers = OrderedDict() self._backward_hooks = OrderedDict() self._forward_hooks = OrderedDict() self._forward_pre_hooks = OrderedDict() self._state_dict_hooks = OrderedDict() self._load_state_dict_pre_hooks = OrderedDict() self._modules = OrderedDict() self.training = True 每当我们给一个成员变量定义一个nn.parameter.Paramter的时候，都会自动注册到_parameters，具体的步骤如下： import torch.nn as nnclass MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() # 下面两种定义方式均可 self.p1 = nn.paramter.Paramter(torch.tensor(1.0)) print(self._parameters) self.p2 = nn.Paramter(torch.tensor(2.0)) print(self._parameters) 首先运行super(MyModel, self).__init__()，这样MyModel就初始化了_paramters等一系列的OrderDict，此时所有变量还都是空的。 self.p1 = nn.paramter.Paramter(torch.tensor(1.0)): 这行代码会触发nn.Module预定义好的__setattr__函数，该函数部分源码如下： def __setattr__(self, name, value): ... params = self.__dict__.get('_parameters') if isinstance(value, Parameter): if params is None: raise AttributeError( "cannot assign parameters before Module.__init__() call") remove_from(self.__dict__, self._buffers, self._modules) self.register_parameter(name, value) ...__setattr__函数作用简单理解就是判断你定义的参数是否正确,如果正确就继续调用register_parameter函数进行注册，这个函数简单概括就是做了下面这件事 def register_parameter(self,name,param): ... self._parameters[name]=param 下面我们实例化这个模型看结果怎样 model = MyModel()>>>OrderedDict([('p1', Parameter containing:tensor(1., requires_grad=True))])OrderedDict([('p1', Parameter containing:tensor(1., requires_grad=True)), ('p2', Parameter containing:tensor(2., requires_grad=True))])结果和上面分析的一致。 以上为个人经验，希望能给大家一个参考，也希望大家多多支持51zixue.net。
将pytorch的网络等转移到cuda
PyTorch 编写代码遇到的问题及解决方案 |
