Pytorch模型中的parameter與buffer用法
Parameter 和 buffer
If you have parameters in your model, which should be saved and restored in the state_dict, but not trained by the optimizer, you should register them as buffers.Buffers won't be returned in model.parameters(), so that the optimizer won't have a change to update them.
模型中需要保存下來的參數包括兩種
一種是反向傳播需要被optimizer更新的，稱之為 parameter
一種是反向傳播不需要被optimizer更新，稱之為 buffer
第一種參數我們可以通過 model.parameters() 返回；第二種參數我們可以通過 model.buffers() 返回。因為我們的模型保存的是 state_dict 返回的 OrderDict，所以這兩種參數不僅要滿足是否需要被更新的要求，還需要被保存到OrderDict。
那么現在的問題是這兩種參數如何創(chuàng)建呢，創(chuàng)建好了如何保存到OrderDict呢？
第一種參數有兩種方式
我們可以直接將模型的成員變量(http://self.xxx) 通過nn.Parameter() 創(chuàng)建，會自動注冊到parameters中，可以通過model.parameters() 返回，并且這樣創(chuàng)建的參數會自動保存到OrderDict中去；
通過nn.Parameter() 創(chuàng)建普通Parameter對象，不作為模型的成員變量，然后將Parameter對象通過register_parameter()進行注冊，可以通model.parameters() 返回，注冊后的參數也會自動保存到OrderDict中去;
第二種參數我們需要創(chuàng)建tensor
然后將tensor通過register_buffer()進行注冊，可以通model.buffers() 返回，注冊完后參數也會自動保存到OrderDict中去。
Pytorch中Module,Parameter和Buffer區(qū)別
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，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(fā)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(xù)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。
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持本站。
版權聲明：本站文章來源標注為YINGSOO的內容版權均為本站所有，歡迎引用、轉載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網站，禁止在非maisonbaluchon.cn所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內容來源于網友推薦、互聯網收集整理而來，僅供學習參考，不代表本站立場，如有內容涉嫌侵權，請聯系alex-e#qq.com處理。
關注官方微信