下文都將
torch.nn簡寫成nn
- Module: 就是我們常用的
torch.nn.Module類，你定義的所有網絡結構都必須繼承這個類。 - Buffer: buffer和parameter相對，就是指那些不需要參與反向傳播的參數
示例如下：
class MyModel(nn.Module):
def __init__(self):
super(MyModel, self).__init__()
self.my_tensor = torch.randn(1) # 參數直接作為模型類成員變量
self.register_buffer('my_buffer', torch.randn(1)) # 參數注冊為 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，也就是組成Module的參數。例如一個nn.Linear通常由weight和bias參數組成。它的特點是默認requires_grad=True,也就是說訓練過程中需要反向傳播的，就需要使用這個
import torch.nn as nn
fc = nn.Linear(2,2)
# 讀取參數的方式一
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))])
# 讀取參數的方式二（推薦這種）
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)
# 讀取參數的方式三
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)
通過上面的例子可以看到，nn.parameter.Paramter的requires_grad屬性值默認為True。另外上面例子給出了三種讀取parameter的方法，推薦使用后面兩種（這兩種的區別可參閱Pytorch: parameters(),children(),modules(),named_*區別），因為是以迭代生成器的方式來讀取，第一種方式是一股腦的把參數全丟給你，要是模型很大，估計你的電腦會吃不消。
另外需要介紹的是_parameters是nn.Module在__init__()函數中就定義了的一個OrderDict類，這個可以通過看下面給出的部分源碼看到,可以看到還初始化了很多其他東西，其實原理都大同小異，你理解了這個之后，其他的也是同樣的道理。
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
每當我們給一個成員變量定義一個nn.parameter.Paramter的時候，都會自動注冊到_parameters，具體的步驟如下：
import torch.nn as nn
class MyModel(nn.Module):
def __init__(self):
super(MyModel, self).__init__()
# 下面兩種定義方式均可
self.p1 = nn.paramter.Paramter(torch.tensor(1.0))
print(self._parameters)
self.p2 = nn.Paramter(torch.tensor(2.0))
print(self._parameters)
- 首先運行
super(MyModel, self).__init__()，這樣MyModel就初始化了_paramters等一系列的OrderDict，此時所有變量還都是空的。 self.p1 = nn.paramter.Paramter(torch.tensor(1.0)): 這行代碼會觸發nn.Module預定義好的__setattr__函數，該函數部分源碼如下,：
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__函數作用簡單理解就是判斷你定義的參數是否正確,如果正確就繼續調用register_parameter函數進行注冊，這個函數簡單概括就是做了下面這件事
def register_parameter(self,name,param):
...
self._parameters[name]=param
下面我們實例化這個模型看結果怎樣
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))])
結果和上面分析的一致。