pytorch parameters,pytorch model.parameters
这篇文章主要为大家介绍了框架中参数函数用法,并用详细的代码示例进行演示详解,有需要的朋友可以借鉴参考下,希望能够有所帮助
目录
用法介绍代码介绍
用法介绍
框架中的参数函数可以对某个张量进行参数化。它可以将不可训练的张量转化为可训练的参数类型,同时将转化后的张量绑定到模型可训练参数的列表中,当更新模型的参数时一并将其更新。
火炬.nn。参数.参数
数据(张量):表示需要参数化的张量requires_grad(布尔值,可选):表示是否该张量是否需要梯度,默认值为真实的
代码介绍
框架中的参数函数具体的代码示例如下所示
进口火炬
将torch.nn作为神经网络导入
类神经网络(nn .模块):
def __init__(self,input_dim,output_dim):
超级(神经网络,自我).__init__()
self.linear=nn .线性(输入尺寸,输出尺寸)
自我。线性。重量=火炬。nn。参数(火炬。零(输入尺寸,输出尺寸))
自我。线性。偏见=火炬。nn。参数(火炬。one(output _ dim))
向前定义(自身,输入_数组):
输出=self.linear(输入_数组)
返回输出
if __name__==__main__:
net=NeuralNetwork(4,6)
对于net.parameters()中的参数:
打印(参数)
代码的结果如下所示:
当神经网络的参数不是用参数函数参数化直接赋值给权重参数时,则会报错,具体的程序
进口火炬
将torch.nn作为神经网络导入
类神经网络(nn .模块):
def __init__(self,input_dim,output_dim):
超级(神经网络,自我).__init__()
self.linear=nn .线性(输入尺寸,输出尺寸)
自我。线性。重量=火炬。零(输入尺寸,输出尺寸)
自我。线性。偏见=火炬。一(输出_尺寸)
向前定义(自身,输入_数组):
输出=self.linear(输入_数组)
返回输出
if __name__==__main__:
net=NeuralNetwork(4,6)
对于net.parameters()中的参数:
打印(参数)
代码运行报错结果如下所示:
以上就是框架中参数函数用法示例的详细内容,更多关于框架中参数函数的资料请关注盛行信息技术软件开发工作室其它相关文章!
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。