1.预构建网络

import torch
import matplotlib.pyplot as plt
import torch.nn.functional as F#torch.unsqueeze,torch.squeeze,torch.linspace我的之前文章有讲解
#在torch中，只会处理2维的数据
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
#x.pow(2)的意思是x的平方
y=x.pow(2)+0.2*torch.rand(x.size())class Net(torch.nn.Module):#继承torch的moduledef __init__(self,n_feature,n_hidden,n_output):super(Net,self).__init__() #继承__init__功能#定义每一层用什么样的样式self.hidden = torch.nn.Linear(n_feature,n_hidden) #隐藏层线性输出self.predict = torch.nn.Linear(n_hidden,n_output) #输出层线性输出def forward(self,x):# 激励函数（隐藏层的线性值）x=F.relu(self.hidden(x))x=self.predict(x) #输出值return xnet = Net(1,10,1)
print(net)

网络结构

Net((hidden): Linear(in_features=1, out_features=10, bias=True)(predict): Linear(in_features=10, out_features=1, bias=True)
)

2.net.parameters()

print(net.parameters())

结果：

<generator object Module.parameters at 0x7ff10f745bd0>

para = list(net.parameters())
print(para)

结果：

[Parameter containing:
tensor([[-0.5081],[-0.2130],[-0.0958],[ 0.3794],[-0.4636],[-0.4734],[-0.8516],[ 0.3321],[ 0.3731],[ 0.5131]], requires_grad=True), Parameter containing:
tensor([ 0.7409, -0.2740, -0.0841,  0.2299,  0.4780, -0.5051,  0.4487, -0.2391,0.7307,  0.0095], requires_grad=True), Parameter containing:
tensor([[-0.1322, -0.0158,  0.2620,  0.0499,  0.3109,  0.1158, -0.1099, -0.0687,-0.1557,  0.1864]], requires_grad=True), Parameter containing:
tensor([0.1522], requires_grad=True)]

官方解释

class torch.nn.Parameter()

Variable的一种，常被用于模块参数(module parameter)。

Parameters 是 Variable 的子类。Paramenters和Modules一起使用的时候会有一些特殊的属性，即：当Paramenters赋值给Module的属性的时候，他会自动的被加到 Module的参数列表中(即：会出现在 parameters() 迭代器中)。将Varibale赋值给Module属性则不会有这样的影响。这样做的原因是：我们有时候会需要缓存一些临时的状态(state), 比如：模型中RNN的最后一个隐状态。如果没有Parameter这个类的话，那么这些临时变量也会注册成为模型变量。

Variable 与 Parameter的另一个不同之处在于，Parameter不能被 volatile(即：无法设置volatile=True)而且默认requires_grad=True。Variable默认requires_grad=False。

参数说明:

data (Tensor) – parameter tensor.

requires_grad (bool, optional) – 默认为True，在BP的过程中会对其求微分。

Pytorch之parameters net.parameters()相关推荐

【pytorch】named_parameters()、parameters()、state_dict()==＞给出网络的名字和参数的迭代器
torch中存在3个功能极其类似的方法,它们分别是model.parameters().model.named_parameters().model.state_dict(),下面就具体来说说这三个函 ...
java 泛型类型形参(Type Parameters)Type Parameters 边界(Bound) 类型
Bound类型除了基础类型(primitive)和数组(Array)外,都可以作为边界类型 <T extends Number > <T extends String > & ...
java 泛型类型形参(Type Parameters)Type Parameters 边界(Bound)
声明类型形参<T>后,这时编译器并不知道T是什么类型,假设我们需要调用某些类的方法时,编译器会报错. class Test<T>{void fn(T t){System.out ...
Pytorch-模型参数：named_parameters()、parameters()、state_dict()区别
torch中存在3个功能极其类似的方法,它们分别是model.parameters().model.named_parameters().model.state_dict(),下面就具体来说说这三个函 ...
castle windsor学习-----XML Inline Parameters 内联参数
当使用XML配置的时候,可能要给组件指定各种各样的依赖 1.简单的参数参数名称不区分大小写 <componentid="ping"type="Acme.Crm.S ...
DPDK EAL parameters(DPDK环境抽象层参数)-原始版本（F-Stack配置文件的配置参数）
目录 7. EAL parameters 7.1. Common EAL parameters 7.1.1. Lcore-related options 7.1.2. Device-related o ...
DPDK EAL parameters(DPDK环境抽象层参数)-MD版本（F-Stack配置文件的配置参数）
整理自 EAL parameters This document contains a list of all EAL parameters. These parameters can be used ...
javacript Function parameters(函数参数)
Function parameters Default parameters(默认值) function multiply(a, b = 1) {return a * b; }multiply(5); ...
ROS学习手记 - 5 理解ROS中的基本概念_Services and Parameters
ROS学习手记 - 5 理解ROS中的基本概念_Services and Parameters 上一节完成了对nodes, Topic的理解,再深入一步: Services and Parameter ...

Pytorch之parameters net.parameters()