torch.nn.Parameter()

news/2025/3/22 13:05:58/

一文通俗理解torch.nn.Parameter()

一、起源

首先，我写这篇文章的起源是因为，我突然看到了一段有关torch.nn.Parameter()的代码。

因此就去了解了一下这个函数，把自己的一些理解记录下来，希望可以帮到你。

二、官方文档

网址如下：https://pytorch.org/docs/stable/generated/torch.nn.parameter.Parameter.html#torch.nn.parameter.Parameter

具体参数解释如下：

torch.nn.parameter.Parameter(data=None, requires_grad=True)

data：代表一个tensor类似的数据
requires_grad：是否需要进行梯度计算，默认为True

三、个人理解

这个函数的主要作用就是把一个不可训练的Tensor数据转换成可以训练的Tensor数据。

那么这个这个函数怎么实现的呢。

这个函数可以将你输入的数据（你想训练的数据）加入到你模型的参数里面（因为requires_grad=True，如果为False就是不加入），跟着你模型的参数一起训练，一起学习，逐渐达到最优解。

代码实现：

self.w = nn.Parameter(torch.tensor(0.5, dtype=torch.float), requires_grad=True)
"""
初始数据为0.5，且为float类型，进行训练。
"""

四、示例程序

# -*- coding: UTF-8 -*-
# Project ：python 
# File    ：test_1.py
# IDE     ：PyCharm 
# Author  ：小李同学
# Date    ：2023/10/21 13:44import torch
import torch.optim as optim
import matplotlib.pyplot as plt# 创建一个可学习的权重参数，初始值为0.5
weight = torch.nn.Parameter(torch.tensor(0.5, requires_grad=True))
# 定义一个优化器，用于更新权重
optimizer = optim.SGD([weight], lr=0.01)
# 目标值
target = torch.tensor(20.0)
# 存储损失和权重的列表，用于绘制学习曲线
losses = []
weights = []
# 训练循环
for epoch in range(10):# 模型的预测值prediction = weight * 5.0  # 假设模型的预测是输入值乘以权重# 计算损失，这里使用均方误差损失loss = (prediction - target) ** 2losses.append(loss.item())weights.append(weight.item())# 梯度清零optimizer.zero_grad()# 反向传播和权重更新loss.backward()optimizer.step()print(f'Epoch {epoch + 1}: Loss={loss.item():.2f}, Weight={weight.item():.2f}')# 绘制学习曲线
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(losses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.title('Loss Curve')plt.subplot(1, 2, 2)
plt.plot(weights)
plt.xlabel('Epoch')
plt.ylabel('Weight')
plt.title('Weight Curve')plt.show()

输出结果如下：

Epoch 1: Loss=306.25, Weight=2.25
Epoch 2: Loss=76.56, Weight=3.12
Epoch 3: Loss=19.14, Weight=3.56
Epoch 4: Loss=4.79, Weight=3.78
Epoch 5: Loss=1.20, Weight=3.89
Epoch 6: Loss=0.30, Weight=3.95
Epoch 7: Loss=0.07, Weight=3.97
Epoch 8: Loss=0.02, Weight=3.99
Epoch 9: Loss=0.00, Weight=3.99
Epoch 10: Loss=0.00, Weight=4.00