1 模型的两种参数
在 Pytorch 中一种模型保存和加载的方式如下:（具体见pytorch模型的保存与加载_刘文巾的博客-CSDN博客）
#save
torch.save(net.state_dict(),PATH)
#load
model=MyModel(*args,**kwargs)
model.load_state_dict(torch.load(PATH))
model.eval模型保存的是 net.state_dict() 的返回对象。
net.state_dict() 的返回对象是一个OrderDict ，它以键值对的形式包含模型中需要保存下来的参数
上例模型中的参数就是线性层的 weight 和 bias.
模型中需要保存下来的参数包括两种:
- 一种是反向传播需要被optimizer更新的，称之为 parameter
- 一种是反向传播不需要被optimizer更新，称之为 buffer
第一种参数我们可以通过model.parameters() 返回；
第二种参数我们可以通过model.buffers() 返回。
因为我们的模型保存的是state_dict 返回的OrderDict，所以这两种参数不仅要满足是否需要被更新的要求，还需要被保存到OrderDict。
2 Parameter
Parameter参数有两种创建方式:
- 我们可以直接将模型的成员变量self.xxx通过nn.Parameter() 创建，会自动注册到parameters中，可以通过model.parameters() 返回，并且这样创建的参数会自动保存到OrderDict中去；
- 通过nn.Parameter() 创建普通Parameter对象，不作为模型的成员变量，然后将Parameter对象通过register_parameter()进行注册，可以通过model.parameters() 返回，注册后的参数也会自动保存到OrderDict中去;
像我们前面的nn.Conv1d,nn.Linear,nn.RNN等模型，里面的权重参数等会被自动认为是Parameter参数
2.1 parameter与named_parameter
以 pytorch笔记:简易回归问题\L2正则化_UQI-LIUWJ的博客-CSDN博客中的network为例
for i in net.parameters():
print(i)
'''
Parameter containing:
tensor([[ 0.6879],
[-0.5930],
[-0.2573],
[ 0.1294],
[ 0.5813],
[-0.6830],
[ 0.0557],
[-0.0116],
[ 0.1095],
[-0.4270]], requires_grad=True)
Parameter containing:
tensor([ 0.1322, 0.4611, -0.8983, -0.5984, 0.4622, 0.3385, -0.2966, 0.4663,
0.8987, -0.3968], requires_grad=True)
Parameter containing:
tensor([[-0.2403, -0.2113, -0.1366, -0.2893, -0.0477, 0.1241, -0.1217, 0.2457,
0.2336, 0.2988]], requires_grad=True)
Parameter containing:
tensor([0.1383], requires_grad=True)
'''for i in net.named_parameters():
print(i)
'''
('hidden.weight', Parameter containing:
tensor([[ 0.6879],
[-0.5930],
[-0.2573],
[ 0.1294],
[ 0.5813],
[-0.6830],
[ 0.0557],
[-0.0116],
[ 0.1095],
[-0.4270]], requires_grad=True))
('hidden.bias', Parameter containing:
tensor([ 0.1322, 0.4611, -0.8983, -0.5984, 0.4622, 0.3385, -0.2966, 0.4663,
0.8987, -0.3968], requires_grad=True))
('predict.weight', Parameter containing:
tensor([[-0.2403, -0.2113, -0.1366, -0.2893, -0.0477, 0.1241, -0.1217, 0.2457,
0.2336, 0.2988]], requires_grad=True))
('predict.bias', Parameter containing:
tensor([0.1383], requires_grad=True))
'''3 buffer
buffer参数我们需要创建tensor, 然后将tensor通过register_buffer()进行注册，可以通过model.buffers() 返回，注册完后参数也会自动保存到OrderDict中去。
4 为什么要注册
为什么不直接将不需要进行参数修改的变量作为模型类的成员变量就好了，还要进行注册?
- 不进行注册，参数不能保存到OrderDict，也就无法进行保存
- 模型进行参数在CPU和GPU移动时, 执行model.to(device) ，注册后的参数可以自动进行设备移动
5 实例说明
import torch
class net(torch.nn.Module):
def __init__(self):
super(net,self).__init__()
#创建buffer
self.register_buffer('my_buffer',torch.Tensor([1,2,3]))
self.a=torch.Tensor([1])
self.param1=torch.nn.Parameter(torch.Tensor([1,3,5,7,9]))
#方法1 创建的parameter
param2=torch.nn.Parameter(torch.Tensor([2,4,6,8,0]))
self.register_parameter('param2',param2)
self.l=torch.nn.Linear(1,10)
def forward(self,x):
pass
n=net()
for i in n.state_dict():
print(i,n.state_dict()[i])
print('*'*10)
for i in n.parameters():
print(i)
print('*'*10)
for i in n.buffers():
print(i)
print('*'*10)
'''
param1 tensor([1., 3., 5., 7., 9.])
param2 tensor([2., 4., 6., 8., 0.])
my_buffer tensor([1., 2., 3.])
l.weight tensor([[-0.1490],
[-0.2445],
[-0.5296],
[-0.3687],
[-0.9683],
[ 0.3491],
[-0.8726],
[-0.7213],
[ 0.3201],
[-0.9994]])
l.bias tensor([ 0.6718, 0.3055, 0.7755, 0.3780, -0.8169, 0.3663, -0.6937, -0.3136,
0.6907, 0.8732])
**********
Parameter containing:
tensor([1., 3., 5., 7., 9.], requires_grad=True)
Parameter containing:
tensor([2., 4., 6., 8., 0.], requires_grad=True)
Parameter containing:
tensor([[-0.1490],
[-0.2445],
[-0.5296],
[-0.3687],
[-0.9683],
[ 0.3491],
[-0.8726],
[-0.7213],
[ 0.3201],
[-0.9994]], requires_grad=True)
Parameter containing:
tensor([ 0.6718, 0.3055, 0.7755, 0.3780, -0.8169, 0.3663, -0.6937, -0.3136,
0.6907, 0.8732], requires_grad=True)
**********
tensor([1., 2., 3.])
**********
'''