用法介绍

pytorch中的Parameter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。

torch.nn.parameter.Parameter

data (Tensor)：表示需要参数化的张量

requires_grad (bool, optional)：表示是否该张量是否需要梯度，默认值为True

代码介绍

pytorch中的Parameter函数具体的代码示例如下所示

import torch
import torch.nn as nn

class NeuralNetwork(nn.Module):
 def __init__(self, input_dim, output_dim):
  super(NeuralNetwork, self).__init__()
  self.linear = nn.Linear(input_dim, output_dim)
  self.linear.weight = torch.nn.Parameter(torch.zeros(input_dim, output_dim))
  self.linear.bias = torch.nn.Parameter(torch.ones(output_dim))

 def forward(self, input_array):
  output = self.linear(input_array)
  return output

if __name__ == '__main__':
 net = NeuralNetwork(4, 6)
 for param in net.parameters():
  print(param)

代码的结果如下所示：

当神经网络的参数不是用Parameter函数参数化直接赋值给权重参数时，则会报错，具体的程序

import torch
import torch.nn as nn

class NeuralNetwork(nn.Module):
 def __init__(self, input_dim, output_dim):
  super(NeuralNetwork, self).__init__()
  self.linear = nn.Linear(input_dim, output_dim)
  self.linear.weight = torch.zeros(input_dim, output_dim)
  self.linear.bias = torch.ones(output_dim)

 def forward(self, input_array):
  output = self.linear(input_array)
  return output

if __name__ == '__main__':
 net = NeuralNetwork(4, 6)
 for param in net.parameters():
  print(param)

代码运行报错结果如下所示: