Pytorch模型中的parameter與buffer用法
Parameter 和 buffer
If you have parameters in your model, which should be saved and restored in the state_dict, but not trained by the optimizer, you should register them as buffers.Buffers won’t be returned in model.parameters(), so that the optimizer won’t have a change to update them.
模型中需要保存下來的參數包括兩種
一種是反向傳播需要被optimizer更新的,稱之為 parameter
一種是反向傳播不需要被optimizer更新,稱之為 buffer
第一種參數我們可以通過 model.parameters() 返回;第二種參數我們可以通過 model.buffers() 返回。因為我們的模型保存的是 state_dict 返回的 OrderDict,所以這兩種參數不僅要滿足是否需要被更新的要求,還需要被保存到OrderDict。
那麼現在的問題是這兩種參數如何創建呢,創建好瞭如何保存到OrderDict呢?
第一種參數有兩種方式
我們可以直接將模型的成員變量(http://self.xxx) 通過nn.Parameter() 創建,會自動註冊到parameters中,可以通過model.parameters() 返回,並且這樣創建的參數會自動保存到OrderDict中去;
通過nn.Parameter() 創建普通Parameter對象,不作為模型的成員變量,然後將Parameter對象通過register_parameter()進行註冊,可以通model.parameters() 返回,註冊後的參數也會自動保存到OrderDict中去;
第二種參數我們需要創建tensor
然後將tensor通過register_buffer()進行註冊,可以通model.buffers() 返回,註冊完後參數也會自動保存到OrderDict中去。
Pytorch中Module,Parameter和Buffer區別
下文都將torch.nn簡寫成nn
Module: 就是我們常用的torch.nn.Module類,你定義的所有網絡結構都必須繼承這個類。
Buffer: buffer和parameter相對,就是指那些不需要參與反向傳播的參數
示例如下:
class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.my_tensor = torch.randn(1) # 參數直接作為模型類成員變量 self.register_buffer('my_buffer', torch.randn(1)) # 參數註冊為 buffer self.my_param = nn.Parameter(torch.randn(1)) def forward(self, x): return x model = MyModel() print(model.state_dict()) >>>OrderedDict([('my_param', tensor([1.2357])), ('my_buffer', tensor([-0.9982]))]) Parameter: 是nn.parameter.Paramter,也就是組成Module的參數。例如一個nn.Linear通常由weight和bias參數組成。它的特點是默認requires_grad=True,也就是說訓練過程中需要反向傳播的,就需要使用這個 import torch.nn as nn fc = nn.Linear(2,2) # 讀取參數的方式一 fc._parameters >>> OrderedDict([('weight', Parameter containing: tensor([[0.4142, 0.0424], [0.3940, 0.0796]], requires_grad=True)), ('bias', Parameter containing: tensor([-0.2885, 0.5825], requires_grad=True))]) # 讀取參數的方式二(推薦這種) for n, p in fc.named_parameters(): print(n,p) >>>weight Parameter containing: tensor([[0.4142, 0.0424], [0.3940, 0.0796]], requires_grad=True) bias Parameter containing: tensor([-0.2885, 0.5825], requires_grad=True) # 讀取參數的方式三 for p in fc.parameters(): print(p) >>>Parameter containing: tensor([[0.4142, 0.0424], [0.3940, 0.0796]], requires_grad=True) Parameter containing: tensor([-0.2885, 0.5825], requires_grad=True)
通過上面的例子可以看到,nn.parameter.Paramter的requires_grad屬性值默認為True。另外上面例子給出瞭三種讀取parameter的方法,推薦使用後面兩種,因為是以迭代生成器的方式來讀取,第一種方式是一股腦的把參數全丟給你,要是模型很大,估計你的電腦會吃不消。
另外需要介紹的是_parameters是nn.Module在__init__()函數中就定義瞭的一個OrderDict類,這個可以通過看下面給出的部分源碼看到,可以看到還初始化瞭很多其他東西,其實原理都大同小異,你理解瞭這個之後,其他的也是同樣的道理。
class Module(object): ... def __init__(self): self._backend = thnn_backend self._parameters = OrderedDict() self._buffers = OrderedDict() self._backward_hooks = OrderedDict() self._forward_hooks = OrderedDict() self._forward_pre_hooks = OrderedDict() self._state_dict_hooks = OrderedDict() self._load_state_dict_pre_hooks = OrderedDict() self._modules = OrderedDict() self.training = True
每當我們給一個成員變量定義一個nn.parameter.Paramter的時候,都會自動註冊到_parameters,具體的步驟如下:
import torch.nn as nn class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() # 下面兩種定義方式均可 self.p1 = nn.paramter.Paramter(torch.tensor(1.0)) print(self._parameters) self.p2 = nn.Paramter(torch.tensor(2.0)) print(self._parameters)
首先運行super(MyModel, self).__init__(),這樣MyModel就初始化瞭_paramters等一系列的OrderDict,此時所有變量還都是空的。
self.p1 = nn.paramter.Paramter(torch.tensor(1.0)): 這行代碼會觸發nn.Module預定義好的__setattr__函數,該函數部分源碼如下:
def __setattr__(self, name, value): ... params = self.__dict__.get('_parameters') if isinstance(value, Parameter): if params is None: raise AttributeError( "cannot assign parameters before Module.__init__() call") remove_from(self.__dict__, self._buffers, self._modules) self.register_parameter(name, value) ...
__setattr__函數作用簡單理解就是判斷你定義的參數是否正確,如果正確就繼續調用register_parameter函數進行註冊,這個函數簡單概括就是做瞭下面這件事
def register_parameter(self,name,param): ... self._parameters[name]=param
下面我們實例化這個模型看結果怎樣
model = MyModel() >>>OrderedDict([('p1', Parameter containing: tensor(1., requires_grad=True))]) OrderedDict([('p1', Parameter containing: tensor(1., requires_grad=True)), ('p2', Parameter containing: tensor(2., requires_grad=True))])
結果和上面分析的一致。
以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。
推薦閱讀:
- pytorch_detach 切斷網絡反傳方式
- PyTorch 如何自動計算梯度
- pytorch 預訓練模型讀取修改相關參數的填坑問題
- Pytorch中的backward()多個loss函數用法
- pytorch 如何打印網絡回傳梯度