模型参数的访问、初始化和共享
之前我们通过init
模块来初始化模型的参数。我们也介绍了访问模型参数的简单方法。本节将深入讲解如何访问和初始化模型参数,以及如何在多个层之间共享同一份模型参数。
我们先定义一个与上一节中相同的含单隐藏层的多层感知机。我们依然使用默认方式初始化它的参数,并做一次前向计算。与之前不同的是,在这里我们从nn
中导入了init
模块,它包含了多种模型初始化方法。
import torch
from torch import nn
from torch.nn import init
net = nn.Sequential(nn.Linear(4, 3), nn.ReLU(), nn.Linear(3, 1))
print(net)
X = torch.rand(2, 4)
Y = net(X).sum()
访问模型参数
对于Sequential
实例中含模型参数的层,我们可以通过Module
类的parameters()
或named_parameters
方法来访问所有参数(以迭代器的形式返回),后者除了返回参数Tensor
外还会返回其名字。下面,访问多层感知机net
的所有参数:
print(type(net.named_parameters()))
for name, param in net.named_parameters():
print(name, param.size())
输出:
<class 'generator'>
0.weight torch.Size([3, 4])
0.bias torch.Size([3])
2.weight torch.Size([1, 3])
2.bias torch.Size([1])
for name, param in net[0].named_parameters():
print(name, param.size(), type(param))
输出:
weight torch.Size([3, 4]) <class 'torch.nn.parameter.Parameter'>
bias torch.Size([3]) <class 'torch.nn.parameter.Parameter'>
初始化模型参数
之前提到了PyTorch中nn.Module
的模块参数都采取了较为合理的初始化策略(不同类型的layer具体采样的哪一种初始化方法的可参考源代码)。但我们经常需要使用其他方法来初始化权重。PyTorch的init
模块里提供了多种预设的初始化方法。在下面的例子中,我们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)
输出:
0.weight tensor([[ 0.0030, 0.0094, 0.0070, -0.0010],
[ 0.0001, 0.0039, 0.0105, -0.0126],
[ 0.0105, -0.0135, -0.0047, -0.0006]])
2.weight tensor([[-0.0074, 0.0051, 0.0066]])
//下面使用常数来初始化权重参数。
for name, param in net.named_parameters():
if 'bias' in name:
init.constant_(param, val=0)
print(name, param.data)
输出:
0.bias tensor([0., 0., 0.])
2.bias tensor([0.])
自定义初始化方法
有时候我们需要的初始化方法并没有在init
模块中提供。这时,可以实现一个初始化方法,从而能够像使用其他初始化方法那样使用它。在这之前我们先来看看PyTorch是怎么实现这些初始化方法的,例如torch.nn.init.normal_
:
//可以看到这就是一个inplace改变Tensor值的函数,而且这个过程是不记录梯度的。
def normal_(tensor, mean=0, std=1):
with torch.no_grad():
return tensor.normal_(mean, std)
共享模型参数
在有些情况下,我们希望在多个层之间共享模型参数。之前提到了如何共享模型参数:
Module
类的forward
函数里多次调用同一个层。此外,如果我们传入Sequential
的模块是同一个Module
实例的话参数也是共享的,下面来看一个例子:
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)
小结
- 有多种方法来访问、初始化和共享模型参数。
- 可以自定义初始化方法。
注:本节与原书此节有一些不同,原书传送门