Pytorch：利用torch.nn.Modules.parameters修改模型参数

1. 关于parameters()方法

Pytorch中继承了torch.nn.Module的模型类具有named_parameters()/parameters()方法，这两个方法都会返回一个用于迭代模型参数的迭代器（named_parameters还包括参数名字）：

import torch

net = torch.nn.LSTM(input_size=512, hidden_size=64)

print(net.parameters())

print(net.named_parameters())

# <generator object Module.parameters at 0x12a4e9890>

# <generator object Module.named_parameters at 0x12a4e9890>

我们可以将net.parameters()迭代器和将net.named_parameters()转化为列表类型，前者列表元素是模型参数，后者是包含参数名和模型参数的元组。

当然，我们更多的是对迭代器直接进行迭代：

for param in net.parameters():

    print(param.shape)

# torch.Size([256, 512])

# torch.Size([256, 64])

# torch.Size([256])

# torch.Size([256])

for name, param in net.named_parameters():

    print(name, param.shape)

# weight_ih_l0 torch.Size([256, 512])

# weight_hh_l0 torch.Size([256, 64])

# bias_ih_l0 torch.Size([256])

# bias_hh_l0 torch.Size([256])

我们知道，Pytorch在进行优化时需要给优化器传入这个参数迭代器，如：

from torch.optim import RMSprop

optimizer = RMSprop(net.parameters(), lr=0.01)

2. 关于参数修改

那么底层具体是怎么对参数进行修改的呢？

我们在博客《Python对象模型与序列迭代陷阱》中介绍过，Python序列中本身存放的就是对象的引用，而迭代器返回的是序列中的对象的二次引用，如果序列的引用指向基础数据类型，则是不可以通过遍历序列进行修改的，如：

my_list = [1, 2, 3, 4]

for x in my_list:

    x += 1

print(my_list) #[1, 2, 3, 4]

而序列中的引用指向复合数据类型，则可以通过遍历序列来完成修改操作，如：

my_list = [[1, 2],[3, 4]]

for sub_list in my_list:

    sub_list[0] += 1

print(my_list)

# [1, 2, 3, 4]

# [[2, 2], [4, 4]]

具体原理可参照该篇博客，此处我就不在赘述。这里想提到的是，用net.parameters()/net.named_parameters()来迭代并修改参数，本质上就是上述第二种对复合数据类型序列的修改。我们可以如下写：

for param in net.parameters():

    with torch.no_grad():

        param += 1

with torch.no_grad()：表示将将所要修改的张量关闭梯度计算。所增加的1会广播到param张量的中的每一个元素上。上述操作本质上为：

for param in net.parameters():

    with torch.no_grad():

        param += torch.ones(param.shape)

但是需要注意，如果我们想让参数全部置为0，切不可像下列这样写：

for param in net.parameters():

    with torch.no_grad():

        param = torch.zeros(param.shape)

param是二次引用，param=0操作再语义上会被解释为让param这个二次引用去指向新的全0张量对象，但是对参数张量本身并不会产生任何变动。该操作实际上类似下列这种操作：

list_1 = [1, 2]

list_2 = list_1

list_2 = [0, 0]

print(list_1) # [1, 2]

修改二次引用list_2自然不会影响到list_1引用的对象。

下面让我们纠正这种错误，采用下列方法直接来将参数张量中的所有数值置0：

for param in net.parameters():

    with torch.no_grad():

        param[:] = 0 #张量类型自带广播操作,等效于param[:] = torch.zeros(param.shape)

这时语义上就类似

list_1 = [1, 2]

list_2 = list_1

list_2[:] = [0, 0]

print(list_1) # [0, 0]

自然就能完成修改的操作了。

参考