快捷導(dǎo)航

pytorch 在網(wǎng)絡(luò)中添加可訓(xùn)練參數(shù),修改預(yù)訓(xùn)練權(quán)重文件的方法

更新時間：2019年08月17日 14:58:25 作者：馬管子

今天小編就為大家分享一篇pytorch 在網(wǎng)絡(luò)中添加可訓(xùn)練參數(shù),修改預(yù)訓(xùn)練權(quán)重文件的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

實踐中，針對不同的任務(wù)需求，我們經(jīng)常會在現(xiàn)成的網(wǎng)絡(luò)結(jié)構(gòu)上做一定的修改來實現(xiàn)特定的目的。

假如我們現(xiàn)在有一個簡單的兩層感知機網(wǎng)絡(luò)：

# -*- coding: utf-8 -*-
import torch
from torch.autograd import Variable
import torch.optim as optim
 
x = Variable(torch.FloatTensor([1, 2, 3])).cuda()
y = Variable(torch.FloatTensor([4, 5])).cuda()
 
class MLP(torch.nn.Module):
  def __init__(self):
    super(MLP, self).__init__()
    self.linear1 = torch.nn.Linear(3, 5)
    self.relu = torch.nn.ReLU()
    self.linear2 = torch.nn.Linear(5, 2)
 
  def forward(self, x):
    x = self.linear1(x)
    x = self.relu(x)
    x = self.linear2(x)
 
    return x
 
model = MLP().cuda()
 
loss_fn = torch.nn.MSELoss(size_average=False)
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
 
for t in range(500):
  y_pred = model(x)
  loss = loss_fn(y_pred, y)
  print(t, loss.data[0])
  model.zero_grad()
  loss.backward()
  optimizer.step()
 
print(model(x))

現(xiàn)在想在前向傳播時，在relu之后給x乘以一個可訓(xùn)練的系數(shù)，只需要在__init__函數(shù)中添加一個nn.Parameter類型變量，并在forward函數(shù)中乘以該變量即可：

class MLP(torch.nn.Module):
  def __init__(self):
    super(MLP, self).__init__()
    self.linear1 = torch.nn.Linear(3, 5)
    self.relu = torch.nn.ReLU()
    self.linear2 = torch.nn.Linear(5, 2)
    # the para to be added and updated in train phase, note that NO cuda() at last
    self.coefficient = torch.nn.Parameter(torch.Tensor([1.55]))
 
  def forward(self, x):
    x = self.linear1(x)
    x = self.relu(x)
    x = self.coefficient * x
    x = self.linear2(x)
 
    return x

注意，Parameter變量和Variable變量的操作大致相同，但是不能手動調(diào)用.cuda()方法將其加載在GPU上，事實上它會自動在GPU上加載，可以通過model.state_dict()或者model.named_parameters()函數(shù)查看現(xiàn)在的全部可訓(xùn)練參數(shù)（包括通過繼承得到的父類中的參數(shù)）：

print(model.state_dict().keys())
for i, j in model.named_parameters():
  print(i)
  print(j)

輸出如下：

odict_keys(['linear1.weight', 'linear1.bias', 'linear2.weight', 'linear2.bias'])
linear1.weight
Parameter containing:
-0.3582 -0.0283 0.2607
 0.5190 -0.2221 0.0665
-0.2586 -0.3311 0.1927
-0.2765 0.5590 -0.2598
 0.4679 -0.2923 -0.3379
[torch.cuda.FloatTensor of size 5x3 (GPU 0)]
 
linear1.bias
Parameter containing:
-0.2549
-0.5246
-0.1109
 0.5237
-0.1362
[torch.cuda.FloatTensor of size 5 (GPU 0)]
 
linear2.weight
Parameter containing:
-0.0286 -0.3045 0.1928 -0.2323 0.2966
 0.2601 0.1441 -0.2159 0.2484 0.0544
[torch.cuda.FloatTensor of size 2x5 (GPU 0)]
 
linear2.bias
Parameter containing:
-0.4038
 0.3129
[torch.cuda.FloatTensor of size 2 (GPU 0)]

這個參數(shù)會在反向傳播時與原有變量同時參與更新，這就達(dá)到了添加可訓(xùn)練參數(shù)的目的。

如果我們有原先網(wǎng)絡(luò)的預(yù)訓(xùn)練權(quán)重，現(xiàn)在添加了一個新的參數(shù)，原有的權(quán)重文件自然就不能加載了，我們需要修改原權(quán)重文件，在其中添加我們的新變量的初始值。

調(diào)用model.state_dict查看我們添加的參數(shù)在參數(shù)字典中的完整名稱，然后打開原先的權(quán)重文件：

a = torch.load("OldWeights.pth") a是一個collecitons.OrderedDict類型變量，也就是一個有序字典，直接將新參數(shù)名稱和初始值作為鍵值對插入，然后保存即可。

a = torch.load("OldWeights.pth")
 
a["layer1.0.coefficient"] = torch.FloatTensor([1.2])
a["layer1.1.coefficient"] = torch.FloatTensor([1.5])
 
torch.save(a, "Weights.pth")

現(xiàn)在權(quán)重就可以加載在修改后的模型上了。

以上這篇pytorch 在網(wǎng)絡(luò)中添加可訓(xùn)練參數(shù),修改預(yù)訓(xùn)練權(quán)重文件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。

您可能感興趣的文章: