在参考yolo系列代码或其他开源代码,经常看到register_buffer
和 register_parameter
的使用,接下来将详细对他们进行介绍。
在搭建网络时,我们 自定义的参数
,往往不会保存到模型权重文件中,或者成为模型可学习
的参数。即我们通过 net.named_parameters() (模型可学习参数)
或 net.state_dict().items()(保存模型权重值)
方法都无法遍历输出。那如何解决呢,这就需要用到本文讲的register_parameter
和register_buffer
方法。
register_parameter()
是 torch.nn.Module 类中的一个方法。
可学习参数
net.parameters()
或 net.named_parameters()
查看可用 net.state_dict() 转换到字典
中,进而 保存到网络文件 / 网络参数文件
中register_parameter(name,param)
参数:
name:参数名称
param:参数张量, 须是torch.nn.Parameter()
对象 或 None ,否则报错如下
TypeError: cannot assign 'torch.FloatTensor' object to parameter 'xx' (torch.nn.Parameter or None required)
(1)自定义的参数未使用register_parameter
import torch
import torch.nn as nn
class MyModule(nn.Module):
def __init__(self):
super(MyModule, self).__init__()
self.conv1 = nn.Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=1, bias=False)
self.conv2 = nn.Conv2d(in_channels=6, out_channels=9, kernel_size=3, stride=1, padding=1, bias=False)
self.weight = torch.ones(10,10)
self.bias = torch.zeros(10)
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x * self.weight + self.bias
return x
net = MyModule()
print('\n', '*'*30+"net.named_parameters"+'*'*30, '\n')
for name, param in net.named_parameters():
print(name, param.shape)
print('\n', '*'*30+"net.state_dict"+'*'*30, '\n')
for key, val in net.state_dict().items():
print(key, val.shape)
输出
:
在网络搭建的代码中,我们自定义了self.weight
和self.bias
参数。我们思考下2个问题:1.
我们定义的self.weight
和self.bias
参数是否会保存到网络的参数中,是否能在优化器的作用下进行学习。2.
这些参数是否能够保存到模型文件中,从而可以利用state_dict
中遍历出来。通过上面的打印信息我们发现:
net.named_parameters()
迭代网络中可学习的参数,发现输出的参数只有conv1
和conv2
的weight参数,并没有输出我们定义的self.weight
和self.bias
net.state_dict()
方法迭代保存的参数,同样发现self.weight
和self.bias
参数也没有被输出出来。(2)通过register_parameter
方法来定义参数
register_parameter
来定义weight和bias参数,看看会有啥效果。代码修改如下:self.register_parameter('weight',torch.nn.Parameter(torch.ones(10,10)))
self.register_parameter('bias',torch.nn.Parameter(torch.zeros(10)))
完整代码
import torch
import torch.nn as nn
class MyModule(nn.Module):
def __init__(self):
super(MyModule, self).__init__()
self.conv1 = nn.Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=1, bias=False)
self.conv2 = nn.Conv2d(in_channels=6, out_channels=9, kernel_size=3, stride=1, padding=1, bias=False)
self.register_parameter('weight',torch.nn.Parameter(torch.ones(10,10)))
self.register_parameter('bias',torch.nn.Parameter(torch.zeros(10)))
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x * self.weight + self.bias
return x
net = MyModule()
print('\n', '*'*30+"net.named_parameters"+'*'*30, '\n')
for name, param in net.named_parameters():
print(name, param.shape)
print('\n', '*'*30+"net.state_dict"+'*'*30, '\n')
for key, val in net.state_dict().items():
print(key, val.shape)
register_parameter
定义的参数weight和bias,可以通过net.named_parameters
或者net.parameters
迭代出来的,这说明weight和bias已经存到了网络的参数中,他们是可学习的参数state_dict()
也能将参数和值给迭代出来,就说明如果要保存模型权重或网络参数时,这两个参数时可以被保存起来的。register_buffer()是 torch.nn.Module()
类中的一个方法
定义不可学习
的参数不会被保存到网络对象的参数
中,使用 net.parameters() 或 net.named_parameters() 查看不到参数可用 net.state_dict() 转换到字典
中,进而 保存到网络文件 / 网络参数文件中
register_buffer() 用于在网络实例中 注册缓冲区,存储在缓冲区中的数据
,类似于参数(但不是参数),它与参数的区别为:
参数
:可以被优化器更新 (requires_grad=False / True)
buffer 中的数据 (不可学习): 不会被优化器更新
将定义的weight和bias,通过register_buffer
来定义。
self.register_buffer('weight',torch.ones(10,10))
self.register_buffer('bias',torch.zeros(10))
运行完整代码看看效果:
import torch
import torch.nn as nn
class MyModule(nn.Module):
def __init__(self):
super(MyModule, self).__init__()
self.conv1 = nn.Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=1, bias=False)
self.conv2 = nn.Conv2d(in_channels=6, out_channels=9, kernel_size=3, stride=1, padding=1, bias=False)
self.register_buffer('weight',torch.ones(10,10))
self.register_buffer('bias',torch.zeros(10))
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x * self.weight + self.bias
return x
net = MyModule()z
print('\n', '*'*30+"net.named_parameters"+'*'*30, '\n')
for name, param in net.named_parameters():
print(name, param.shape)
print('\n', '*'*30+"net.state_dict"+'*'*30, '\n')
for key, val in net.state_dict().items():
print(key, val.shape)
register_buffer
定义的参数weight和bias,它是没有被named_parameter
给迭代出来的,也就是说weight和bias不是网络的可学习参数,无法通过优化器来迭代更新,我们把它叫做buffer,而不是参数net.state_dict
去迭代的话,weight和bias事可以被迭代出来的,这就说明使用register_buffer
定义的数据,可以保持到模型或者权重文件中。注意:
register_parameter
定义参数时,必须定义为可学习的参数,因此需要通过torch.nn.Parameter
去定义为一个可学习的参数register_buffer
定义参数时,是不需要
通过torch.nn.Parameter
去定义为可学习的参数的