Pytorch中的self.parameters()

文章目录

- [1. 作用](#1. 作用)
- [2. 例子](#2. 例子)
- 3.与.state_dict()的区别
- 4.一个对比的例子

1. 作用

在 PyTorch 中，self.parameters() 是一个模型方法，它返回模型中所有需要优化的参数。这些参数通常是模型中的权重和偏置项。

当你定义一个 PyTorch 模型类时，你会将模型的各个层（如全连接层、卷积层等）定义在 __init__ 方法中，这些层中的参数都会被 PyTorch 自动识别为模型的可训练参数。self.parameters() 方法就是用来访问这些可训练参数的。

2. 例子

复制代码

import torch
import torch.nn as nn

class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        
        # nn.Linear()   -->    y = xA^T + b
        self.fc1 = nn.Linear(10, 5)  # 定义一个全连接层，输入维度为10，输出维度为5 
        self.fc2 = nn.Linear(5, 2)   # 定义另一个全连接层，输入维度为5，输出维度为2

    def forward(self, x):
        x = torch.relu(self.fc1(x))  # 使用ReLU激活函数进行前向传播
        x = self.fc2(x)
        return x

# 创建一个模型实例
model = SimpleModel()

# 使用self.parameters()获取模型中的所有参数
params = model.parameters()

# 遍历并输出模型中的参数及其形状
for param in params:
    print(param.shape)

# torch.Size([5, 10])  第一个全连接层的A
# torch.Size([5])      第一个全连接层的b
# torch.Size([2, 5])   第二个全连接层的A
# torch.Size([2])      第二个全连接层的b

3.与.state_dict()的区别

model.parameters() 和 model.state_dict() 是 PyTorch 中用于获取模型参数的两种不同方式，它们之间有一些区别：

model.parameters()：
- model.parameters() 是一个方法，用于获取模型中所有需要训练的参数。
- 返回一个迭代器，可以用来访问模型中的参数张量。
- 这个方法返回的是参数张量本身，不包含参数的名称信息。
model.state_dict()：
- model.state_dict() 是一个方法，用于获取模型的状态字典。
- 返回一个字典，其中包含了模型中所有有参数的名称及其对应的参数张量。
- 这个字典中的键是参数的名称，值是参数张量。

通常情况下，当你需要保存或加载模型的参数时，model.state_dict() 是更常用的选择，因为它提供了模型参数及其名称的完整信息，方便了保存和加载模型的状态。而 model.parameters() 则更适用于需要直接对参数进行操作的情况，比如初始化参数或手动更新参数等。

4.一个对比的例子

复制代码

import torch
import torch.nn as nn

# 定义一个简单的神经网络模型
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.fc1 = nn.Linear(10, 5)  # 定义一个全连接层，输入维度为10，输出维度为5
        self.fc2 = nn.Linear(5, 2)   # 定义另一个全连接层，输入维度为5，输出维度为2

    def forward(self, x):
        x = torch.relu(self.fc1(x))  # 使用ReLU激活函数进行前向传播
        x = self.fc2(x)
        return x

# 创建一个模型实例
model = SimpleModel()

# 打印模型结构
print("模型结构：")
print(model)
# 模型结构：
# SimpleModel(
#   (fc1): Linear(in_features=10, out_features=5, bias=True)
#   (fc2): Linear(in_features=5, out_features=2, bias=True)
# )

# 通过 model.parameters() 获取模型中的参数
print("\n所有参数：")
for param in model.parameters():
    print(param.shape)

# 所有参数：
# torch.Size([5, 10])
# torch.Size([5])
# torch.Size([2, 5])
# torch.Size([2])

# 通过 model.state_dict() 获取模型的状态字典
print("\n模型状态字典：")
print(model.state_dict())

# 模型状态字典：
# OrderedDict([('fc1.weight', tensor([[ 0.2434,  0.1585, -0.0489, -0.2854,  0.0958,  0.0450,  0.0235, -0.0228,
#           0.2934,  0.1910],
#         [-0.1329,  0.1001, -0.0748, -0.2244, -0.2213, -0.0490, -0.2735, -0.0396,
#          -0.2985, -0.0525],
#         [-0.2757, -0.2826, -0.1690,  0.0196, -0.1237, -0.0701,  0.0759, -0.0892,
#          -0.0736,  0.1501],
#         [-0.3107,  0.1578,  0.2759,  0.1827,  0.1034,  0.2269,  0.0864,  0.2918,
#          -0.2557,  0.0274],
#         [ 0.1479,  0.1868,  0.2288, -0.2756,  0.2752, -0.1571,  0.1131,  0.1191,
#           0.1174,  0.2341]])), ('fc1.bias', tensor([ 0.2031,  0.0612,  0.2677,  0.2544, -0.0595])), ('fc2.weight', tensor([[-0.3650, -0.1921,  0.0852, -0.0216,  0.0677],
#         [ 0.2857,  0.2233,  0.1513, -0.2641,  0.2005]])), ('fc2.bias', tensor([0.1477, 0.1283]))])