PyTorch：参数读取与赋值的艺术

pytorch 参数读取赋值
在 PyTorch 中，参数读取和赋值是模型训练和预测过程中的重要环节。本文将介绍 PyTorch 中参数读取和赋值的原理及实现方式。
首先，让我们了解一下什么是参数。在 PyTorch 中，参数是指模型中可学习的权重，通常是一些数值变量。参数在模型中扮演着重要的角色，它们决定了模型的学习能力和性能。
在 PyTorch 中，参数可以通过 torch.nn.Parameter 进行定义。例如，以下代码定义了一个简单的线性模型，其中 weight 和 bias 都是模型的参数：

import torch.nn as nn
class LinearModel(nn.Module):
def __init__(self, input_size, output_size):
super(LinearModel, self).__init__()
self.linear = nn.Linear(input_size, output_size)
def forward(self, x):
out = self.linear(x)
return out

在上述代码中，nn.Linear 定义了一个线性层，其中 input_size 和 output_size 表示输入和输出的维度。该层使用 nn.Parameter 来定义权重 self.linear.weight 和偏置 self.linear.bias。这些参数将在模型训练和预测过程中进行更新和调整。
接下来，让我们了解一下参数的赋值方式。在 PyTorch 中，可以通过创建模型实例并调用 .parameters() 方法来获取模型的所有参数。这些参数将作为一个迭代器返回，可以遍历每个参数并进行赋值。
例如，以下代码演示了如何为一个模型的所有参数赋一个统一的初值：

import torch.nn as nn
import torch.nn.init as init
class LinearModel(nn.Module):
def __init__(self, input_size, output_size):
super(LinearModel, self).__init__()
self.linear = nn.Linear(input_size, output_size)
def forward(self, x):
out = self.linear(x)
return out
model = LinearModel(10, 5)
for name, param in model.named_parameters():
if 'weight' in name:
init.uniform_(param, a=0.1, b=0.9)
else: # 'bias' in name:
init.constant_(param, 0) # 这里使用常数 0 进行初始化，也可以根据实际情况进行调整