pytorch 自定义初始化权重的方法

首选注意：torch.ensor 与 torch.Tensor的区别
常用操作 torch.tensor是一个包含多个同类数据类型数据的多维矩阵。
常用参数
dtype: tessor的数据类型，总共有八种数据类型。其中默认的类型是torch.FloatTensor,而且这种类型的别名也可以写作torch.Tensor。

核心思想就是构造和该层权重同一尺寸的矩阵去对该层权重赋值。但是，值得注意的是，pytorch中各层权重的数据类型是nn.Parameter，而不是Tensor或者Variable**。

import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np

*一个卷积层，我们可以看到它的权值是随机初始化的
w=torch.nn.Conv2d(2,2,3,padding=1)
print(w.weight)

*种方法
print(“1.使用另一个Conv层的权值”)
q=torch.nn.Conv2d(2,2,3,padding=1) # 假设q代表一个训练好的卷积层
print(q.weight) # 可以看到q的权重和w是不同的
w.weight=q.weight # 把一个Conv层的权重赋值给另一个Conv层
print(w.weight)

第二种方法
print(“2.使用来自Tensor的权值”)
ones=torch.Tensor(np.ones([2,2,3,3])) # 先创建一个自定义权值的Tensor，这里为了方便将所有权值设为1
w.weight=torch.nn.Parameter(ones) # 把Tensor的值作为权值赋值给Conv层，这里需要先转为torch.nn.Parameter类型，否则将报错
print(w.weight)

完整实现线性权值变化
#===================================================
x = torch.randn(128,20) # N = 128组,特征20
print(x.size())
m = torch.nn.Linear(20,30) # 输入特征数、输出特征30
# m.weight = torch.rand(30,20)
new_Wight = torch.Tensor(np.ones([30,20])) # torch.Tensor = torch.FloatTensor 默认float类型
m.weight = torch.nn.Parameter(new_Wight) # 自定义权值初始化

print(m.weight.size()) # 权值 30*20
print(m.bias.size()) # 偏置 30

out = m(x)
print(out.size())

print(m.weight)
print(m.bias)
# print(list(m.parameters())) # 查看参数

参考：https://www.jb51.net/article/167881.htm

附：Variable和Parameter的区别
Parameter是torch.autograd.Variable的一个子类，常被用于Module的参数。例如权重和偏置。

Parameters和Modules一起使用的时候会有一些特殊的属性。parameters赋值给Module的属性的时候，它会被自动加到Module的参数列表中，即会出现在Parameter()迭代器中。将Varaible赋给Module的时候没有这样的属性。这可以在nn.Module的实现中详细看一下。这样做是为了保存模型的时候只保存权重偏置参数，不保存节点值。所以复写Variable加以区分。

另外一个不同是parameter不能设置volatile，而且require_grad默认设置为true。Varaible默认设置为False.

参数：

parameter.data 得到tensor数据

parameter.requires_grad 默认为True， BP过程中会求导

Parameter一般是在Modules中作为权重和偏置，自动加入参数列表，可以进行保存恢复。和Variable具有相同的运算。

我们可以这样简单区分，在计算图中，数据（包括输入数据和计算过程中产生的feature map等）时variable类型，该类型不会被保存到模型中。 网络的权重是parameter类型，在计算过程中会被更新，将会被保存到模型中。