在 PyTorch 中，一个模型的参数通常指模型中所有可训练的权重和偏置。每个 nn.Module 对象（包括自定义的神经网络类）都有一个 parameters() 方法和一个 named_parameters() 方法，这些方法可以用来访问模型中的所有参数。以下是这些方法的详细解释和使用示例。
参数的获取方法
- parameters()：返回模型中所有参数的一个生成器。
- named_parameters()：返回一个生成器，生成模型中所有参数的名称和参数张量。
示例：定义并获取模型的参数
下面是一个包含多个线性层的简单神经网络示例，并展示如何获取和打印模型的所有参数。
定义一个简单的神经网络
import torch
import torch.nn as nn
class SimpleNN(nn.Module):
def __init__(self):
super(SimpleNN, self).__init__()
self.fc1 = nn.Linear(4, 3)
self.fc2 = nn.Linear(3, 2)
self.fc3 = nn.Linear(2, 1)
def forward(self, x):
x = self.fc1(x)
x = torch.relu(x)
x = self.fc2(x)
x = torch.relu(x)
x = self.fc3(x)
return x
# 实例化神经网络
model = SimpleNN()
获取并打印模型的所有参数
- 使用
parameters()方法获取模型所有参数
print("模型的所有参数：")
for param in model.parameters():
print(param)
- 使用
named_parameters()方法获取模型所有参数及其名称
print("模型的所有参数及其名称：")
for name, param in model.named_parameters():
print(f"参数名称: {name}")
print(f"参数值:\n{param}")
print(f"参数的形状: {param.shape}")
print()
示例输出
输出可能类似于以下内容（具体数值会因为参数初始化而不同）：
模型的所有参数及其名称：
参数名称: fc1.weight
参数值:
Parameter containing:
tensor([[ 0.0841, 0.0476, 0.0294, -0.1092],
[ 0.1422, -0.0623, 0.1579, -0.0781],
[ 0.0924, 0.1263, -0.1484, 0.0397]], requires_grad=True)
参数的形状: torch.Size([3, 4])
参数名称: fc1.bias
参数值:
Parameter containing:
tensor([0.0457, 0.0912, 0.0273], requires_grad=True)
参数的形状: torch.Size([3])
参数名称: fc2.weight
参数值:
Parameter containing:
tensor([[ 0.0570, 0.0563, -0.1074],
[ 0.0768, -0.0612, 0.1292]], requires_grad=True)
参数的形状: torch.Size([2, 3])
参数名称: fc2.bias
参数值:
Parameter containing:
tensor([ 0.0428, -0.1312], requires_grad=True)
参数的形状: torch.Size([2])
参数名称: fc3.weight
参数值:
Parameter containing:
tensor([[ 0.0825, 0.0076]], requires_grad=True)
参数的形状: torch.Size([1, 2])
参数名称: fc3.bias
参数值:
Parameter containing:
tensor([0.0963], requires_grad=True)
参数的形状: torch.Size([1])
总结
parameters()方法返回模型所有参数的生成器。named_parameters()方法返回模型所有参数及其名称的生成器。- 通过这些方法，可以方便地访问和打印模型中的所有参数，有助于检查模型的配置和调试。
这些方法对于了解和调试模型的参数配置非常有用，使得你能够全面掌握模型内部的具体情况。
