PyTorch中模型的parameters()方法浅析

发布时间：2025-09-19 02:08

使用PyTorch的`nn.Module`设计模型结构，可以方便地实现模块化和代码重用 #生活技巧# #学习技巧# #深度学习技巧#

首先先定义一个模型:

import torch as t import torch.nn as nn class A(nn.Module): def __init__(self): super().__init__() self.conv1 = nn.Conv2d(2, 2, 3) self.conv2 = nn.Conv2d(2, 2, 3) self.conv3 = nn.Conv2d(2, 2, 3) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x) return x

python

运行

然后打印出该模型的参数：

pythona = A() print(a.parameters())　#<generator object Module.parameters at 0x7f7b740d2360>

以上代码说明parameters()会返回一个生成器（迭代器）

然后将其迭代打印出来：

print(list(a.parameters()))：#将迭代器转换成列表 Parameter containing: tensor([[[[-0.0299, 0.0891, 0.0303], [ 0.0869, -0.0230, -0.1760], [ 0.1408, 0.0348, 0.1795]], [[ 0.2001, 0.0023, -0.1775], [ 0.0947, -0.0231, -0.1756], [ 0.1201, -0.0997, -0.0303]]], [[[-0.0425, 0.0748, -0.1754], [-0.1191, -0.1203, -0.1219], [-0.0794, 0.0895, -0.1719]], [[ 0.1968, -0.0463, 0.0550], [-0.0386, 0.1594, 0.1282], [-0.0009, 0.2167, -0.1783]]]], requires_grad=True) Parameter containing: tensor([ 0.0147, -0.0406], requires_grad=True) Parameter containing: tensor([[[[-0.0578, -0.1114, -0.1194], [-0.1469, -0.1175, -0.1616], [-0.2289, -0.0975, -0.1700]], [[-0.0894, 0.0074, 0.1222], [-0.0176, -0.0509, 0.1622], [-0.0405, -0.1349, 0.1782]]], [[[-0.0739, 0.2167, 0.1864], [ 0.0956, -0.1761, 0.0464], [ 0.0062, -0.0685, 0.0748]], [[ 0.1085, 0.1481, 0.1334], [ 0.2236, -0.0706, -0.0224], [ 0.0079, -0.1835, -0.0407]]]], requires_grad=True) Parameter containing: tensor([-8.0720e-05, 1.6026e-01], requires_grad=True) Parameter containing: tensor([[[[-0.0702, 0.1846, 0.0419], [-0.1891, -0.0893, -0.0024], [-0.0349, -0.0213, 0.0936]], [[-0.1062, 0.1242, 0.0391], [-0.1924, 0.0535, -0.1480], [ 0.0400, -0.0487, -0.2317]]], [[[ 0.1202, 0.0961, 0.2336], [ 0.2225, -0.2294, -0.2283], [-0.0963, -0.0311, -0.2354]], [[ 0.0676, -0.0439, -0.0962], [-0.2316, -0.0639, -0.0671], [ 0.1737, -0.1169, -0.1751]]]], requires_grad=True) Parameter containing: tensor([-0.1939, -0.0959], requires_grad=True)

python

运行

从以上结果可以看出列表中有6个元素，由于nn.Conv2d()的参数包括self.weight和self.bias两部分，所以每个2D卷积层包括两部分的参数．注意self.bias是加在每个通道上的，所以self.bias的长度与output_channl相同