PyTorch参数管理详解：从访问到初始化与共享

本文通过实例代码讲解如何在PyTorch中管理神经网络参数，包括参数访问、多种初始化方法、自定义初始化以及参数绑定技术。所有代码可直接运行，适合深度学习初学者进阶学习。

1. 定义网络与参数访问

1.1 定义单隐藏层多层感知机

python 复制代码

import torch
from torch import nn

# 定义单隐藏层多层感知机
net1 = nn.Sequential(
    nn.Linear(4, 8),  # 输入层4维，隐藏层8维
    nn.ReLU(),
    nn.Linear(8, 1)   # 输出层1维
)
x = torch.rand(2, 4)  # 随机生成2个4维输入向量
net1(x)                # 前向传播

1.2 访问网络参数

python 复制代码

# 访问第二层（索引2）的参数（权重和偏置）
print(net1[2].state_dict())

# 查看参数类型、数据和梯度
print(type(net1[2].bias))    # 类型：Parameter
print(net1[2].bias)          # 参数值（含梯度信息）
print(net1[2].bias.data)     # 参数数据（张量）
print(net1[2].bias.grad)     # 梯度（未反向传播时为None）

1.3 批量访问参数

python 复制代码

# 访问第一层的参数名称和形状
print(*[(name, param.shape) for name, param in net1[0].named_parameters()])

# 访问整个网络的参数
print(*[(name, param.shape) for name, param in net1.named_parameters()])

# 通过state_dict直接访问参数数据
print(net1.state_dict()['2.bias'].data)

2. 参数初始化方法

2.1 内置初始化

python 复制代码

# 正态分布初始化权重，偏置置零
def init_normal(model):
    if isinstance(model, nn.Linear):
        nn.init.normal_(model.weight, mean=0, std=0.01)
        nn.init.zeros_(model.bias)

net1.apply(init_normal)
print(net1[0].weight.data[0], net1[0].bias.data[0])

# 常数初始化（权重为1，偏置为0）
def init_constant(model):
    if isinstance(model, nn.Linear):
        nn.init.constant_(model.weight, 1)
        nn.init.zeros_(model.bias)

net1.apply(init_constant)
print(net1[0].weight.data[0], net1[0].bias.data[0])

2.2 分层初始化

python 复制代码

# 对第一层使用Xavier初始化，第二层使用常数42初始化
def xavier(model):
    if isinstance(model, nn.Linear):
        nn.init.xavier_uniform_(model.weight)

def init_42(model):
    if isinstance(model, nn.Linear):
        nn.init.constant_(model.weight, 42)

net1[0].apply(xavier)
net1[2].apply(init_42)
print(net1[0].weight.data[0])
print(net1[2].weight.data)

2.3 自定义初始化

python 复制代码

# 自定义初始化：权重在[-10,10]均匀分布，并过滤绝对值小于5的值
def my_init(model):
    if isinstance(model, nn.Linear):
        print(f'init weight {model.weight.shape}')
        nn.init.uniform_(model.weight, -10, 10)
        model.weight.data *= (model.weight.abs() >= 5)

net1.apply(my_init)
print(net1[0].weight.data[:2])  # 显示前两行权重

3. 参数绑定与共享

3.1 直接修改参数

python 复制代码

# 直接操作参数数据
net1[0].weight.data[:] += 1     # 所有权重+1
net1[0].weight.data[0, 0] = 42  # 修改特定位置权重
print(net1[0].weight.data[0])   # 输出第一行权重

3.2 参数共享

python 复制代码

# 共享线性层参数
shared_layer = nn.Linear(8, 8)
net3 = nn.Sequential(
    nn.Linear(4, 8), nn.ReLU(),
    shared_layer, nn.ReLU(),     # 第2层
    shared_layer, nn.ReLU(),     # 第4层（共享参数）
    nn.Linear(8, 1)
)

# 验证参数共享
print(net3[2].weight.data[0] == net3[4].weight.data[0])  # 输出全True
net3[2].weight.data[0, 0] = 100
print(net3[2].weight.data[0] == net3[4].weight.data[0])  # 修改后仍为True

4. 嵌套网络结构

python 复制代码

# 构建嵌套网络
def model1():
    return nn.Sequential(
        nn.Linear(4, 8), nn.ReLU(),
        nn.Linear(8, 4), nn.ReLU()
    )

def model2():
    net = nn.Sequential()
    for i in range(4):
        net.add_module(f'model{i}', model1())
    return net

rgnet = nn.Sequential(model2(), nn.Linear(4, 1))
print(rgnet)  # 打印网络结构

总结

本文演示了PyTorch中参数管理的核心操作，包括：

通过state_dict和named_parameters访问参数
使用内置初始化方法（正态分布、常数、Xavier）
自定义初始化逻辑
参数的直接修改与共享
复杂嵌套网络的定义

掌握这些技能可以更灵活地设计和优化神经网络模型。建议读者在实践中结合具体任务调整初始化策略，并注意参数共享时的梯度传播特性。

提示：以上代码需要在PyTorch环境中运行，建议使用Jupyter Notebook逐步调试以观察中间结果。