在常見的pytorch代碼中，我們見到的初始化方式都是調(diào)用init類對每層所有參數(shù)進(jìn)行初始化。但是，有時我們有些特殊需求，比如用某一層的權(quán)重取優(yōu)化其它層，或者手動指定某些權(quán)重的初始值。

核心思想就是構(gòu)造和該層權(quán)重同一尺寸的矩陣去對該層權(quán)重賦值。但是，值得注意的是，pytorch中各層權(quán)重的數(shù)據(jù)類型是nn.Parameter，而不是Tensor或者Variable。

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
 
# 第一一個卷積層，我們可以看到它的權(quán)值是隨機(jī)初始化的
w=torch.nn.Conv2d(2,2,3,padding=1)
print(w.weight)
 
 
# 第一種方法
print("1.使用另一個Conv層的權(quán)值")
q=torch.nn.Conv2d(2,2,3,padding=1) # 假設(shè)q代表一個訓(xùn)練好的卷積層
print(q.weight) # 可以看到q的權(quán)重和w是不同的
w.weight=q.weight # 把一個Conv層的權(quán)重賦值給另一個Conv層
print(w.weight)
 
# 第二種方法
print("2.使用來自Tensor的權(quán)值")
ones=torch.Tensor(np.ones([2,2,3,3])) # 先創(chuàng)建一個自定義權(quán)值的Tensor，這里為了方便將所有權(quán)值設(shè)為1
w.weight=torch.nn.Parameter(ones) # 把Tensor的值作為權(quán)值賦值給Conv層，這里需要先轉(zhuǎn)為torch.nn.Parameter類型，否則將報錯
print(w.weight)

附：Variable和Parameter的區(qū)別

Parameter 是torch.autograd.Variable的一個字類，常被用于Module的參數(shù)。例如權(quán)重和偏置。

Parameters和Modules一起使用的時候會有一些特殊的屬性。parameters賦值給Module的屬性的時候，它會被自動加到Module的參數(shù)列表中，即會出現(xiàn)在Parameter()迭代器中。將Varaible賦給Module的時候沒有這樣的屬性。這可以在nn.Module的實(shí)現(xiàn)中詳細(xì)看一下。這樣做是為了保存模型的時候只保存權(quán)重偏置參數(shù)，不保存節(jié)點(diǎn)值。所以復(fù)寫Variable加以區(qū)分。

另外一個不同是parameter不能設(shè)置volatile，而且require_grad默認(rèn)設(shè)置為true。Varaible默認(rèn)設(shè)置為False.

參數(shù)：

parameter.data 得到tensor數(shù)據(jù)

parameter.requires_grad 默認(rèn)為True， BP過程中會求導(dǎo)

Parameter一般是在Modules中作為權(quán)重和偏置，自動加入?yún)?shù)列表，可以進(jìn)行保存恢復(fù)。和Variable具有相同的運(yùn)算。

我們可以這樣簡單區(qū)分，在計算圖中，數(shù)據(jù)（包括輸入數(shù)據(jù)和計算過程中產(chǎn)生的feature map等）時variable類型，該類型不會被保存到模型中。 網(wǎng)絡(luò)的權(quán)重是parameter類型，在計算過程中會被更新，將會被保存到模型中。

以上這篇pytorch自定義初始化權(quán)重的方法就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論