如何解析Pytorch基礎(chǔ)中網(wǎng)絡(luò)參數(shù)初始化問題，很多新手對(duì)此不是很清楚，為了幫助大家解決這個(gè)難題，下面小編將為大家詳細(xì)講解，有這方面需求的人可以來學(xué)習(xí)下，希望你能有所收獲。

成都創(chuàng)新互聯(lián)專注于二連浩特企業(yè)網(wǎng)站建設(shè),成都響應(yīng)式網(wǎng)站建設(shè)公司,商城建設(shè)。二連浩特網(wǎng)站建設(shè)公司,為二連浩特等地區(qū)提供建站服務(wù)。全流程定制網(wǎng)站建設(shè)，專業(yè)設(shè)計(jì)，全程項(xiàng)目跟蹤，成都創(chuàng)新互聯(lián)專業(yè)和態(tài)度為您提供的服務(wù)

參數(shù)訪問和遍歷：

對(duì)于模型參數(shù)，我們可以進(jìn)行訪問；

由于Sequential由Module繼承而來，所以可以使用Module鐘的parameter()或者named_parameters方法來訪問所有的參數(shù)；

例如，對(duì)于使用Sequential搭建的網(wǎng)絡(luò)，可以使用下列for循環(huán)直接進(jìn)行遍歷：

for name, param in net.named_parameters():
    print(name, param.size())

當(dāng)然，也可以使用索引來按層訪問，因?yàn)楸旧砭W(wǎng)絡(luò)也是按層搭建的：

for name, param in net[0].named_parameters():
    print(name, param.size(), type(param))

當(dāng)我們獲取某一層的參數(shù)信息后，可以使用data()和grad()函數(shù)來進(jìn)行值和梯度的訪問：

weight_0 = list(net[0].parameters())[0]
print(weight_0.data)
print(weight_0.grad) # 反向傳播前梯度為None
Y.backward()
print(weight_0.grad)

參數(shù)初始化問題：

當(dāng)我們參用for循環(huán)獲取每層參數(shù)，可以采用如下形式對(duì)w和偏置b進(jìn)行初值設(shè)定：

for name, param in net.named_parameters():
    if 'weight' in name:
        init.normal_(param, mean=0, std=0.01)
        print(name, param.data)

for name, param in net.named_parameters():
    if 'bias' in name:
        init.constant_(param, val=0)
        print(name, param.data)

當(dāng)然，我們也可以進(jìn)行初始化函數(shù)的自定義設(shè)置：

def init_weight_(tensor):
    with torch.no_grad():
        tensor.uniform_(-10, 10)
        tensor *= (tensor.abs() >= 5).float()

for name, param in net.named_parameters():
    if 'weight' in name:
        init_weight_(param)
        print(name, param.data)

這里注意一下torch.no_grad()的問題；

該形式表示該參數(shù)并不隨著backward進(jìn)行更改，常常用來進(jìn)行局部網(wǎng)絡(luò)參數(shù)固定的情況；

如該連接所示：關(guān)于no_grad()

共享參數(shù)：

可以自定義Module類，在forward中多次調(diào)用同一個(gè)層實(shí)現(xiàn)；

如上章節(jié)的代碼所示：

class FancyMLP(nn.Module):
    def __init__(self, **kwargs):
        super(FancyMLP, self).__init__(**kwargs)
        self.rand_weight = torch.rand((20, 20), requires_grad=False) # 不可訓(xùn)練參數(shù)（常數(shù)參數(shù)）
        self.linear = nn.Linear(20, 20)
    def forward(self, x):
        x = self.linear(x)
        # 使用創(chuàng)建的常數(shù)參數(shù)，以及nn.functional中的relu函數(shù)和mm函數(shù)
        x = nn.functional.relu(torch.mm(x, self.rand_weight.data) + 1)
        # 復(fù)用全連接層。等價(jià)于兩個(gè)全連接層共享參數(shù)
        x = self.linear(x)
        # 控制流，這里我們需要調(diào)用item函數(shù)來返回標(biāo)量進(jìn)行比較
        while x.norm().item() > 1:
            x /= 2
        if x.norm().item() < 0.8:
            x *= 10
        return x.sum()

所以可以看到，相當(dāng)于同時(shí)在同一個(gè)網(wǎng)絡(luò)中調(diào)用兩次相同的Linear實(shí)例，所以變相實(shí)現(xiàn)了參數(shù)共享；

suo'yi注意一下，如果傳入Sequential模塊的多層都是同一個(gè)Module實(shí)例的話，則他們共享參數(shù)；

看完上述內(nèi)容是否對(duì)您有幫助呢？如果還想對(duì)相關(guān)知識(shí)有進(jìn)一步的了解或閱讀更多相關(guān)文章，請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝您對(duì)創(chuàng)新互聯(lián)的支持。