Pytorch查看网络可学习参数的秘籍

  Pytorch作为当前风头正劲的深度学习框架，以强大的动态图机制笑傲江湖。Pytorch通过autograd构建了自动微分系统，并且基于autograd构建了nn神经网络模块，封装了卷积、池化、全连接等各种神经网络常见结构。
  torch.nn的核心数据结构是Module，它是一个抽象的概念，既可以表示神经网络中的某个层（layer），也可以表示一个包含很多层的神经网络。在实际运用中，我们通常继承nn.Module，撰写自己的网络层。它强大的封装甚至不需要我们定义可学习的参数（比如卷积核的权重和偏置参数）就可以使用。
  那么问题来了，当我们想查看网络的可学习参数时，比如卷积层的权重、偏置等时，应该怎么做呢？
  答案是可以从每个封装好的具有可学习参数的网络模块的named_parameters()中查看，注意调用模块实例名.name_parameters（）会分别返回name和parameter：

connected_layer = nn.Linear(in_features = 64*64*3, out_features = 1)
for name, parameter in connected_layer.named_parameters():
    print(name, parameter)

  输出结果：

weight Parameter containing