Pytorch神經(jīng)網(wǎng)絡(luò)參數(shù)管理方法詳細(xì)講解
這里記錄一下pytorch神經(jīng)網(wǎng)絡(luò)參數(shù)管理方法(參數(shù)訪問、參數(shù)初始化、參數(shù)綁定)，方便自己和需要的朋友學(xué)習(xí)、查閱。
一、參數(shù)訪問
1.1 訪問指定層的指定參數(shù)
首先構(gòu)建一個(gè)多層感知機(jī)。
import torch from torch import nn net = nn.Sequential(nn.Linear(2, 4), nn.ReLU(), nn.Linear(4, 1)) X = torch.rand(size=(2, 2))
當(dāng)通過nn.Sequential定義模型時(shí)， 我們可以通過索引來訪問模型的任意層。 這就像模型是一個(gè)列表一樣，每層的參數(shù)都在其屬性中。 如下所示，我們可以檢查任意一個(gè)全連接層的參數(shù)。
# 1 查看網(wǎng)絡(luò)第一層(即第一個(gè)全連接層)的參數(shù) print(net[0].state_dict()) # 2 查看網(wǎng)絡(luò)第三層(即第二個(gè)全連接層)偏置參數(shù)的類型 print(type(net[2].bias)) # 3 查看網(wǎng)絡(luò)第三層(即第二個(gè)全連接層)偏置參數(shù) print(net[2].bias) # 4 查看網(wǎng)絡(luò)第三層(即第二個(gè)全連接層)偏置參數(shù)的值 print(net[2].bias.data) # 5 查看網(wǎng)絡(luò)第一層(即第一個(gè)全連接層)權(quán)重參數(shù) print(net[0].weight) # 6 查看網(wǎng)絡(luò)第二層 print(net[1])
結(jié)果分別如下所示：
# 1
OrderedDict([('weight', tensor([[ 0.0854, 0.1861],
[ 0.5421, 0.2435],
[ 0.5745, 0.2469],
[ 0.4120, -0.4345]])), ('bias', tensor([ 0.3356, 0.4215, 0.2181, -0.2548]))])
# 2
<class 'torch.nn.parameter.Parameter'>
# 3
Parameter containing:
tensor([-0.1606], requires_grad=True)
# 4
tensor([-0.1606])
# 5
Parameter containing:
tensor([[-0.4710, 0.0820],
[-0.5563, 0.0728],
[ 0.1691, 0.2211],
[ 0.4279, -0.5597]], requires_grad=True)
# 6
ReLU()可以看出，每個(gè)參數(shù)都表示為參數(shù)類的一個(gè)實(shí)例，要對參數(shù)執(zhí)行任何操作，首先需要訪問底層的數(shù)值。網(wǎng)絡(luò)層數(shù)從0開始，即net[0]表示網(wǎng)絡(luò)第一層，激活函數(shù)也是網(wǎng)絡(luò)中的一層。
訪問偏置使用basis屬性，訪問權(quán)重使用weight屬性。參數(shù)是復(fù)合的對象，包含值、梯度和額外信息。若只想獲取參數(shù)的值，要在basis或weight后加data屬性。除了值之外，我們還可以訪問每個(gè)參數(shù)的梯度。
print(net[2].weight.grad == None) # 結(jié)果為 True # 原因：由于還沒有調(diào)用反向傳播，所以參數(shù)的梯度處于初始狀態(tài)
1.2 訪問某一層或整個(gè)網(wǎng)絡(luò)的所有參數(shù)
當(dāng)需要對所有參數(shù)執(zhí)行操作時(shí)，逐個(gè)訪問它們可能會(huì)很麻煩，此時(shí)我們可以通過遞歸整個(gè)樹來提取每個(gè)子塊的參數(shù)。
# 1 訪問第一層的所有參數(shù) print(*[(name, param.shape) for name, param in net[0].named_parameters()]) # 2 訪問網(wǎng)絡(luò)所有層的全部參數(shù) print(*[(name, param.shape) for name, param in net.named_parameters()])
結(jié)果如下：
# 1
('weight', torch.Size([4, 2])) ('bias', torch.Size([4]))
# 2
('0.weight', torch.Size([4, 2])) ('0.bias', torch.Size([4])) ('2.weight', torch.Size([1, 4])) ('2.bias', torch.Size([1]))
注意：激活函數(shù)沒有參數(shù)，所以打印出來的網(wǎng)絡(luò)的所有參數(shù)只有兩個(gè)全連接層的參數(shù)。
此外，我們還可以通過下述方式訪問網(wǎng)絡(luò)參數(shù)。
# 訪問第網(wǎng)絡(luò)第三層的偏置參數(shù)的值 print(net.state_dict()['2.bias'].data)
結(jié)果如下：
tensor([-0.1089])
如果不使用nn.Sequential定義模型，而是自己定義一個(gè)類實(shí)現(xiàn)網(wǎng)絡(luò)，則不能使用索引訪問指定層的參數(shù)。如下所示：
class mlp(nn.Module):
def __init__(self, input_size, output_size):
super().__init__()
self.linear1 = nn.Linear(input_size, 4) # 全連接層
self.relu = nn.ReLU()
self.linear2 = nn.Linear(4, output_size) # 全連接層
def forward(self, x):
x = self.linear1(x)
return self.relu(self.linear2(x))
mlp_net= mlp(2, 1)
X = torch.rand(size=(2, 2))
# 如果使用索引訪問會(huì)報(bào)錯(cuò)
print(mlp_net[0].state_dict())此時(shí)會(huì)輸出如下結(jié)果：
Traceback (most recent call last):
File "E:/SoftwareLearning/Python/Code/d2l-Train/ParameterManagement.py", line 46, in <module>
print(mlp_net[0].state_dict())
TypeError: 'mlp' object is not subscriptable
但可以通過下述方式進(jìn)行訪問：
# linear2為定義網(wǎng)絡(luò)模型時(shí)自己起的某一全連接層的名稱 print(mlp_net.state_dict()['linear2.bias'].data)
輸出結(jié)果如下：
tensor([0.3709])
1.3 訪問嵌套塊的指定參數(shù)
首先構(gòu)建一個(gè)嵌套塊的網(wǎng)絡(luò)。
def block1():
return nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
nn.Linear(8, 4), nn.ReLU())
def block2():
net = nn.Sequential()
for i in range(4):
# 在這里嵌套
net.add_module(f'block {i}', block1())
return net
# 實(shí)例化
rgnet = nn.Sequential(block2(), nn.Linear(4, 1))
# 查看網(wǎng)絡(luò)結(jié)構(gòu)
print(rgnet)輸出結(jié)果如下：
Sequential(
(0): Sequential(
(block 0): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
(block 1): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
(block 2): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
(block 3): Sequential(
(0): Linear(in_features=4, out_features=8, bias=True)
(1): ReLU()
(2): Linear(in_features=8, out_features=4, bias=True)
(3): ReLU()
)
)
(1): Linear(in_features=4, out_features=1, bias=True)
)
因?yàn)槭欠謱忧短椎模晕覀円部梢韵裢ㄟ^嵌套列表索引一樣訪問它們。下面，我們訪問第一個(gè)主要的塊中第二個(gè)子塊的第一層的權(quán)重項(xiàng)。
print(rgnet[0][1][0].weight.data)
輸出結(jié)果如下：
tensor([[ 0.3175, 0.0233, 0.3233, -0.0627],
[-0.0835, -0.3371, -0.4527, 0.0141],
[ 0.1070, 0.3952, 0.4051, 0.3921],
[ 0.1958, -0.3643, 0.4481, -0.3448],
[ 0.0446, -0.0256, 0.1490, 0.4568],
[-0.1352, -0.2099, -0.1225, -0.0413],
[ 0.3027, 0.2114, -0.4063, -0.0288],
[-0.4594, 0.0076, -0.2671, 0.2669]])
二、參數(shù)初始化
初始化對神經(jīng)網(wǎng)絡(luò)來說十分重要，良好的初始化能幫助模型快速收斂，對保持網(wǎng)絡(luò)的數(shù)值穩(wěn)定性至關(guān)重要。默認(rèn)情況下，PyTorch會(huì)根據(jù)一個(gè)范圍均勻地初始化權(quán)重和偏置矩陣，這個(gè)范圍是根據(jù)輸入和輸出維度計(jì)算出的。PyTorch的nn.init模塊提供了多種預(yù)置初始化方法。
2.1 內(nèi)置初始化
首先調(diào)用內(nèi)置的初始化器對網(wǎng)絡(luò)參數(shù)進(jìn)行初始化。下面的代碼將所有權(quán)重參數(shù)初始化為標(biāo)準(zhǔn)差為0.01的高斯隨機(jī)變量， 且將偏置參數(shù)設(shè)置為0。
# 將所有權(quán)重參數(shù)初始化為標(biāo)準(zhǔn)差為0.01的高斯隨機(jī)變量， 且將偏置參數(shù)設(shè)置為0
def init_normal(m):
if type(m) == nn.Linear:
# 將權(quán)重參數(shù)初始化為標(biāo)準(zhǔn)差為0.01的高斯隨機(jī)變量
nn.init.normal_(m.weight, mean=0, std=0.01)
# 將偏置參數(shù)初始化為0
nn.init.zeros_(m.bias)
net.apply(init_normal)
print(net[0].weight.data[0], '\n', net[0].bias.data[0])輸出結(jié)果如下：
tensor([-0.0142, -0.0054])
tensor(0.)
我們還可以將所有參數(shù)初始化為給定的常數(shù)，比如初始化為1。
# 將所有參數(shù)初始化為給定的常數(shù)
def init_constant(m):
if type(m) == nn.Linear:
nn.init.constant_(m.weight, 1)
nn.init.zeros_(m.bias)
net.apply(init_constant)
print(net[0].weight.data[0], net[0].bias.data[0])輸出結(jié)果如下：
tensor([1., 1.])
tensor(0.)
我們還可以對不同層應(yīng)用不同的初始化方法。 例如，下面我們使用Xavier初始化方法初始化第一個(gè)神經(jīng)網(wǎng)絡(luò)層， 然后將第三個(gè)神經(jīng)網(wǎng)絡(luò)層初始化為常量值42。
def xavier(m):
if type(m) == nn.Linear:
nn.init.xavier_uniform_(m.weight)
def init_42(m):
if type(m) == nn.Linear:
nn.init.constant_(m.weight, 42)
# 使用Xavier初始化方法初始化第一個(gè)神經(jīng)網(wǎng)絡(luò)層， 然后將第三個(gè)神經(jīng)網(wǎng)絡(luò)層初始化為常量值42
net[0].apply(xavier)
net[2].apply(init_42)
print(net[0].weight.data[0])
print(net[2].weight.data)輸出結(jié)果如下：
tensor([ 0.9265, -0.1521])
tensor([[42., 42., 42., 42.]])
2.2 自定義初始化
有時(shí)，深度學(xué)習(xí)框架沒有提供我們需要的初始化方法，此時(shí)就需要我們自定義初始化方法實(shí)現(xiàn)參數(shù)初始化。
# 自定義初始化
def my_init(m):
if type(m) == nn.Linear:
print("Init", *[(name, param.shape)
for name, param in m.named_parameters()][0])
nn.init.uniform_(m.weight, -10, 10) # 均勻分布
# 如果絕對值大于5則參數(shù)不變，如果絕對值小于5則將參數(shù)置0
m.weight.data *= m.weight.data.abs() >= 5
net.apply(my_init)
print(net[0].weight[:2])輸出結(jié)果如下：
Init weight torch.Size([4, 2])
Init weight torch.Size([1, 4])
tensor([[ 6.6987, -5.3545],
[ 6.6684, -6.3039]], grad_fn=<SliceBackward0>)
也可以根據(jù)需要直接對指定層的參數(shù)進(jìn)行設(shè)置。
net[0].weight.data[:] += 1
net[0].weight.data[0, 0] = 42
print(net[0].weight.data[0])
輸出結(jié)果如下：
Init weight torch.Size([4, 2])
Init weight torch.Size([1, 4])
tensor([42.0000, 8.5777])
三、參數(shù)綁定
有時(shí)我們希望在多個(gè)層間共享參數(shù)，此時(shí)，我們可以定義一個(gè)全連接層，然后使用它的參數(shù)來設(shè)置另一個(gè)層的參數(shù)，實(shí)現(xiàn)參數(shù)共享。
shared = nn.Linear(8, 8)
net = nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
shared, nn.ReLU(),
shared, nn.ReLU(),
nn.Linear(8, 1))
print(net(X))
# 檢查參數(shù)是否相同
print(net[2].weight.data[0] == net[4].weight.data[0])
net[2].weight.data[0, 0] = 100
# 確保它們實(shí)際上是同一個(gè)對象，而不只是有相同的值
print(net[2].weight.data[0] == net[4].weight.data[0])輸出結(jié)果如下：
tensor([[0.4362],
[0.4562]], grad_fn=<AddmmBackward0>)
tensor([True, True, True, True])
tensor([True, True, True, True])
這個(gè)例子表明第三個(gè)和第五個(gè)神經(jīng)網(wǎng)絡(luò)層的參數(shù)是綁定的。它們不僅值相等，而且由相同的張量表示。因此，如果我們改變其中一個(gè)參數(shù)，另一個(gè)參數(shù)也會(huì)改變。你可能會(huì)思考：當(dāng)參數(shù)綁定時(shí)，梯度會(huì)發(fā)生什么情況？ 答案是由于模型參數(shù)包含梯度，因此在反向傳播期間第二個(gè)隱藏層 （即第三個(gè)神經(jīng)網(wǎng)絡(luò)層）和第三個(gè)隱藏層（即第五個(gè)神經(jīng)網(wǎng)絡(luò)層）的梯度會(huì)加在一起。
四、全部測試代碼
全部測試代碼如下。
import torch
from torch import nn
class mlp(nn.Module):
def __init__(self, input_size, output_size):
super().__init__()
self.linear1 = nn.Linear(input_size, 4) # 全連接層
self.relu = nn.ReLU()
self.linear2 = nn.Linear(4, output_size) # 全連接層
def forward(self, x):
x = self.linear1(x)
return self.relu(self.linear2(x))
def block1():
return nn.Sequential(nn.Linear(4, 8), nn.ReLU(),
nn.Linear(8, 4), nn.ReLU())
def block2():
net = nn.Sequential()
for i in range(4):
# 在這里嵌套
net.add_module(f'block {i}', block1())
return net
net = nn.Sequential(nn.Linear(2, 4), nn.ReLU(), nn.Linear(4, 1))
X = torch.rand(size=(2, 2))
print(net(X))
# 當(dāng)通過Sequential類定義模型時(shí)，可以通過索引來訪問模型的任意層。這就像模型是一個(gè)列表一樣，每層的參數(shù)都在其屬性中。
print(net[0].state_dict())
print(type(net[2].bias))
print(net[2].bias)
print(net[2].bias.data)
print(net[0].weight)
print(net[1])
print(net[2].weight.grad == None)
# 一次性訪問所有參數(shù)
print(*[(name, param.shape) for name, param in net[0].named_parameters()])
print(*[(name, param.shape) for name, param in net.named_parameters()])
# 訪問網(wǎng)絡(luò)參數(shù)的另一種方式
print(net.state_dict()['2.bias'].data)
# 不使用nn.Sequential定義模型
mlp_net = mlp(2, 1)
X = torch.rand(size=(2, 2))
print(mlp_net(X))
# 不能使用索引訪問某一層的參數(shù)，會(huì)報(bào)錯(cuò)
# print(mlp_net[0].state_dict())
print(mlp_net.state_dict()['linear2.bias'].data)
# 從嵌套塊收集參數(shù)
rgnet = nn.Sequential(block2(), nn.Linear(4, 1))
print(rgnet)
# 訪問第一個(gè)主要的塊中、第二個(gè)子塊的第一層的權(quán)重
print(rgnet[0][1][0].weight.data)
# 參數(shù)初始化
# 將所有權(quán)重參數(shù)初始化為標(biāo)準(zhǔn)差為0.01的高斯隨機(jī)變量， 且將偏置參數(shù)設(shè)置為0
def init_normal(m):
if type(m) == nn.Linear:
nn.init.normal_(m.weight, mean=0, std=0.01)
nn.init.zeros_(m.bias)
# 將所有參數(shù)初始化為給定的常數(shù)
def init_constant(m):
if type(m) == nn.Linear:
nn.init.constant_(m.weight, 1)
nn.init.zeros_(m.bias)
net.apply(init_normal)
print(net[0].weight.data[0], '\n', net[0].bias.data[0])
net.apply(init_constant)
print(net[0].weight.data[0], '\n', net[0].bias.data[0])
def xavier(m):
if type(m) == nn.Linear:
nn.init.xavier_uniform_(m.weight)
def init_42(m):
if type(m) == nn.Linear:
nn.init.constant_(m.weight, 42)
# 使用Xavier初始化方法初始化第一個(gè)神經(jīng)網(wǎng)絡(luò)層， 然后將第三個(gè)神經(jīng)網(wǎng)絡(luò)層初始化為常量值42
net[0].apply(xavier)
net[2].apply(init_42)
print(net[0].weight.data[0])
print(net[2].weight.data)
# 自定義初始化
def my_init(m):
if type(m) == nn.Linear:
print("Init", *[(name, param.shape)
for name, param in m.named_parameters()][0])
nn.init.uniform_(m.weight, -10, 10)
m.weight.data *= m.weight.data.abs() >= 5
net.apply(my_init)
print(net[0].weight[:2])
# 也可以直接設(shè)置參數(shù)
net[0].weight.data[:] += 1
net[0].weight.data[0, 0] = 42
print(net[0].weight.data[0])
# 參數(shù)綁定
# 有時(shí)我們希望在多個(gè)層間共享參數(shù)：我們可以定義一個(gè)稠密層，然后使用它的參數(shù)來設(shè)置另一個(gè)層的參數(shù)
# 我們需要給共享層一個(gè)名稱，以便可以引用它的參數(shù)
shared = nn.Linear(4, 4)
net = nn.Sequential(nn.Linear(2, 4), nn.ReLU(),
shared, nn.ReLU(),
shared, nn.ReLU(),
nn.Linear(4, 1))
print(net(X))
# 檢查參數(shù)是否相同
print(net[2].weight.data[0] == net[4].weight.data[0])
net[2].weight.data[0, 0] = 100
# 確保它們實(shí)際上是同一個(gè)對象，而不只是有相同的值
print(net[2].weight.data[0] == net[4].weight.data[0])到此這篇關(guān)于Pytorch神經(jīng)網(wǎng)絡(luò)參數(shù)管理方法詳細(xì)講解的文章就介紹到這了,更多相關(guān)Pytorch神經(jīng)網(wǎng)絡(luò)參數(shù)管理內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
- PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù)
- 使用Pytorch構(gòu)建第一個(gè)神經(jīng)網(wǎng)絡(luò)模型?附案例實(shí)戰(zhàn)
- pytorch簡單實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)功能
- pytorch深度神經(jīng)網(wǎng)絡(luò)入門準(zhǔn)備自己的圖片數(shù)據(jù)
- Pytorch卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的目標(biāo)及好處
- Pytorch深度學(xué)習(xí)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)resnet模塊訓(xùn)練
- Pytorch卷積神經(jīng)網(wǎng)絡(luò)resent網(wǎng)絡(luò)實(shí)踐
- PyTorch實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的搭建詳解
相關(guān)文章
基于Opencv圖像識別實(shí)現(xiàn)答題卡識別示例詳解
這篇文章主要為大家詳細(xì)介紹了基于OpenCV如何實(shí)現(xiàn)答題卡識別，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-12-12
Python實(shí)現(xiàn)合并同一個(gè)文件夾下所有PDF文件的方法示例
這篇文章主要介紹了Python實(shí)現(xiàn)合并同一個(gè)文件夾下所有PDF文件的方法,涉及Python針對pdf文件的讀取、判斷、解密、寫入合并等相關(guān)操作技巧,需要的朋友可以參考下2018-04-04
這篇文章主要介紹了講解Python中的遞歸函數(shù),遞歸是學(xué)一門編程語言必須掌握的重要特性,需要的朋友可以參考下2015-04-04
基于SQLAlchemy實(shí)現(xiàn)操作MySQL并執(zhí)行原生sql語句
這篇文章主要介紹了基于SQLAlchemy實(shí)現(xiàn)操作MySQL并執(zhí)行原生sql語句,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-06-06
這篇文章主要介紹了Python isinstance函數(shù)介紹,本文用實(shí)例講解了判斷變量是否是某個(gè)指定類型,需要的朋友可以參考下2015-04-04
Python 實(shí)現(xiàn)自動(dòng)化Excel報(bào)表的步驟
這篇文章主要介紹了Python 實(shí)現(xiàn)自動(dòng)化Excel報(bào)表的步驟，幫助大家更好的理解和學(xué)習(xí)使用python，感興趣的朋友可以了解下2021-04-04
使用Python操作Excel中的各項(xiàng)頁面設(shè)置功能
在使用Excel進(jìn)行數(shù)據(jù)分析或報(bào)告制作時(shí),頁面設(shè)置是確保最終輸出效果專業(yè)、美觀的關(guān)鍵步驟,合理的頁面設(shè)置不僅能夠優(yōu)化打印效果,還能提升數(shù)據(jù)的可讀性,本文將詳細(xì)介紹如何使用Python操作Excel中的各項(xiàng)頁面設(shè)置功能,需要的朋友可以參考下2024-08-08
使用Python字符串訪問與修改局部變量的實(shí)現(xiàn)代碼
這篇文章主要介紹了使用Python字符串訪問與修改局部變量,本文通過實(shí)例代碼給大家介紹的非常詳細(xì)，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2023-06-06
這篇文章主要介紹了Python的高階函數(shù)用法,結(jié)合實(shí)例形式分析了Python針對字符串、列表轉(zhuǎn)換、運(yùn)算、過濾等操作函數(shù)相關(guān)使用技巧與注意事項(xiàng),需要的朋友可以參考下2019-04-04
在接口測試中,經(jīng)常會(huì)涉及到文件上傳以及下載,下面這篇文章主要給大家介紹了關(guān)于Python接口自動(dòng)化之文件上傳/下載接口的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-04-04