深度学习基础知识 register_buffer 与 register_parameter用法分析

1、问题引入
2、register_parameter()
- [2.1 作用](#2.1 作用)
- [2.2 用法](#2.2 用法)
3、register_buffer()
- [3.1 作用](#3.1 作用)
- [3.2 用法](#3.2 用法)

1、问题引入

思考问题：定义的weight与bias是否会被保存到网络的参数中，可否在优化器的作用下进行学习

验证方案：定义网络模型，设置weigut与bias，遍历网络结构参数net.named_parameters()，如果定义的weight与bias在里面，则说明是可学习参数；否则，是不可学习参数

python 复制代码

import torch
import torch.nn as nn

# 思考两个问题，定义的weight与bias是否会被保存到网络的参数中，可否在优化器的作用下进行学习

class MyModule(nn.Module):
    def __init__(self):
        super(MyModule,self).__init__()
        self.conv1=nn.Conv2d(in_channels= 3,
                            out_channels= 6,
                            kernel_size=3,
                            stride = 1,
                            padding=1,
                            bias=False)
        
        self.conv2=nn.Conv2d(in_channels= 6,
                            out_channels= 9,
                            kernel_size=3,
                            stride = 1,
                            padding=1,
                            bias=False)
        

        self.waight=torch.ones(10,10)
        self.bias=torch.zeros(10)

    def forward(self,x):
        x=self.conv1(x)
        x=self.conv2(x)
        x = x * self.weight + self.bias
        return x
    
net=MyModule()

for name,param in net.named_parameters():  # 如果weight与bias在里面，说明其是可学习参数；否则，是不可学习参数
    print(name,param.shape)

print("\n","-"*40,"\n")

for key,val in net.state_dict().items():  # 说明weight与bias是不会被state_dict转化为字典中的元素的
    print(key,val.shape)

打印分析结果：

可以看到，weight与bias不在其中，所以此种定义方式不会是的weight与bias成为可训练参数

2、register_parameter()

register_parameter()是 torch.nn.Module 类中的一个方法

2.1 作用

1、可将 self.weight 和 self.bias 定义为可学习的参数，保存到网络对象的参数中，被优化器作用进行学习
2、self.weight 和 self.bias 可被保存到 state_dict 中，进而可以保存到网络文件 / 网络参数文件中

2.2 用法

register_parameter(name，param)

name：参数名称
param：参数张量，须是 torch.nn.Parameter() 对象或 None ，

否则报错如下

python 复制代码

import torch
import torch.nn as nn


class MyModule(nn.Module):
    def __init__(self):
        super(MyModule, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=1, bias=False)
        self.conv2 = nn.Conv2d(in_channels=6, out_channels=9, kernel_size=3, stride=1, padding=1, bias=False)

        self.register_parameter('weight', torch.nn.Parameter(torch.ones(10, 10)))
        self.register_parameter('bias', torch.nn.Parameter(torch.zeros(10)))


    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x * self.weight + self.bias
        return x


net = MyModule()

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

print('\n', '*'*40, '\n')

for key, val in net.state_dict().items():
    print(key, val.shape)

结果显示：

3、register_buffer()

register_buffer()是 torch.nn.Module() 类中的一个方法

3.1 作用

将 self.weight 和 self.bias 定义为不可学习的参数，不会被保存到网络对象的参数中，不会被优化器作用进行学习
self.weight 和 self.bias 可被保存到 state_dict 中，进而可以保存到网络文件 / 网络参数文件中

它用于在网络实例中注册缓冲区，存储在缓冲区中的数据，类似于参数（但不是参数）

参数：可以被优化器更新（requires_grad=False / True）
buffer 中的数据：不会被优化器更新

3.2 用法

register_buffer(name，tensor)

name：参数名称

tensor：张量

代码：

python 复制代码

import torch
import torch.nn as nn


class MyModule(nn.Module):
    def __init__(self):
        super(MyModule, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=1, bias=False)
        self.conv2 = nn.Conv2d(in_channels=6, out_channels=9, kernel_size=3, stride=1, padding=1, bias=False)

        self.register_buffer('weight', torch.ones(10, 10))   # 注意：定义的方式
        self.register_buffer('bias', torch.zeros(10))


    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x * self.weight + self.bias
        return x


net = MyModule()

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

print('\n', '*'*40, '\n')

for key, val in net.state_dict().items():
    print(key, val.shape)

效果如下所示：