模型参数的初始化与访问操作

学习 如何初始化以及访问模型参数，以及如何在多层之间共享模型参数
首先定义一个含有单个隐藏层的多层感知机，使用默认方式初始化该模型的参数，并且进行一次前向计算：

import torch
from torch import nn
from torch.nn import initnet = nn.Sequential(nn.Linear(4, 3), nn.ReLU(), nn.Linear(3, 1))  # pytorch已进行默认初始化print(net)
X = torch.rand(2, 4)
Y = net(X).sum()

输出：

Sequential((0): Linear(in_features=4, out_features=3, bias=True)(1): ReLU()(2): Linear(in_features=3, out_features=1, bias=True)
)

接着尝试访问模型参数：
由于Sequentail类与Module类的继承关系，可以通过Module类的parameters()函数或者named_parameters()来访问所有的参数：

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

输出：
named_parameters()返回参数的名称以及其该参数值（tensor变量）

<class 'generator'>
0.weight torch.Size([3, 4])
0.bias torch.Size([3])
2.weight torch.Size([1, 3])
2.bias torch.Size([1])

其中“0“、”2“为层数索引，我们可以通过下面的方法访问网络的任意一层：

for name, param in net[0].named_parameters():print(name, param.size(), type(param))

输出结果：

weight torch.Size([3, 4]) <class 'torch.nn.parameter.Parameter'>
bias torch.Size([3]) <class 'torch.nn.parameter.Parameter'>

由于我们采用了下标索引访问网络的某一层，所以结果中没有了层数索引，返回的参数类型为：“torch.nn.parameter.Parameter”，这是Tensor的子类，需要注意的是，如果一个Tensor是Parameter，他就会自动被添加到模型的参数列表中。
我们可以用下面的例子来理解：

class MyModel(nn.Module):def __init__(self, **kwargs):super(MyModel, self).__init__(**kwargs)self.weight1 = nn.Parameter(torch.rand(20, 20))self.weight2 = torch.rand(20, 20)def forward(self, x):passn = MyModel()
for name, param in n.named_parameters():print(name)

输出：

weight1

发现只输出了参数weight1，但是没有输出参数weight2，这说明参数weight1在参数列表中，而参数weight2不在参数列表中

初始化模型参数

将权重参数初始化成均值为0、标准差为0.01的正态分布随机数，并依然将偏差参数清零：

for name, param in net.named_parameters():if 'weight' in name:init.normal_(param, mean=0, std=0.01)print(name, param.data)for name, param in net.named_parameters():if 'bias' in name:init.constant_(param, val=0)print(name, param.data)

我们查看torch.nn.init.normal_函数，观察torch默认初始化的方式：

def normal_(tensor, mean=0, std=1):with torch.no_grad():return tensor.normal_(mean, std)

这里使用一个inplace改变Tensor的值，这个过程不记录梯度
根据相同的实现方式，我们来实现一个自定义的初始化方法。在下面的例子里，我们令权重有一半概率初始化为0，有另一半概率初始化为$[-10,-5]$和$[5,10]$两个区间里均匀分布的随机数。

def init_weight_(tensor):with torch.no_grad():tensor.uniform_(-10, 10)tensor *= (tensor.abs() >= 5).float()for name, param in net.named_parameters():if 'weight' in name:init_weight_(param)

我们还可以使用在之前的blog中提到的改变Parameter的data属性，来改写模型参数的同时不改变参数的梯度：

for name, param in net.named_parameters():if 'bias' in name:param.data += 1print(name, param.data)

这里通过param.data改变模型参数，但是不会影响param的梯度。

共享模型的参数

如何实现在多层之间共享模型的参数
（1）对Sequential中传入同一个Module实例，这两个层的参数是共享的：

linear = nn.Linear(1, 1, bias=False)
net = nn.Sequential(linear, linear) 
print(net)
for name, param in net.named_parameters():init.constant_(param, val=3)print(name, param.data)

输出：

Sequential((0): Linear(in_features=1, out_features=1, bias=False)(1): Linear(in_features=1, out_features=1, bias=False)
)
0.weight tensor([[3.]])

根据输出结果可以发现，网络有两层，但是weight参数只有一个，这时候，这两个层共享参数。

因为模型参数包含了梯度，所以在反向传播计算时，这些共享参数的梯度是累加的：

x = torch.ones(1, 1)
y = net(x).sum()
print(y)
y.backward()
print(net[0].weight.grad) # 单次梯度是3，两次所以就是6，weight的值在上面输出了，是3

输出：

tensor(9., grad_fn=<SumBackward0>)
tensor([[6.]])