python - 为什么当我复制网络权重时它在 Pytorch 中，它会在反向传播后自动更新？

Question

我编写了以下代码作为测试，因为在我的原始网络中，我使用 ModuleDict 并且取决于我提供的索引，它将只切片和训练该网络的一部分。

我想确保只有切片层会更新它们的权重，所以我写了一些测试代码来仔细检查。好吧，我得到了一些奇怪的结果。假设我的模型有 2 层，第 1 层是 FC，第 2 层是 Conv2d，如果我对网络进行切片并且只使用第 2 层，我希望第 1 层的权重不会改变，因为它们未被使用，第 2 层的权重将在 1 个纪元后更新。

所以我的计划是for在训练之前使用循环从网络中获取所有权重，然后我会在 1 之后进行optimizer.step()。两次我都会将这些权重完全分开存储在 2 个 Python 列表中，以便稍后比较它们的结果。好吧，由于某种原因，如果我将它们与torch.equal()我认为的比较它们，这两个列表是完全一样的，因为内存中可能还有某种隐藏的链接？因此，当我从循环中抓取它们时，我尝试使用.detach()权重，结果仍然相同。在这种情况下，Layer2 的权重应该不同，因为它应该包含训练前来自网络的权重。

在下面的代码中指出，我实际上使用的是 layer1 并忽略了 layer2。

完整代码：

class mymodel(nn.Module):
    def __init__(self):
        super().__init__() 
        self.layer1 = nn.Linear(10, 5)
        self.layer2 = nn.Conv2d(1, 5, 4, 2, 1)
        self.act = nn.Sigmoid()
    def forward(self, x):
        x = self.layer1(x) #only layer1 and act are used layer 2 is ignored so only layer1 and act's weight should be updated
        x = self.act(x)
        return x
model = mymodel()

weights = []

for param in model.parameters(): # loop the weights in the model before updating and store them
    print(param.size())
    weights.append(param)

critertion = nn.BCELoss() #criterion and optimizer setup
optimizer = optim.Adam(model.parameters(), lr = 0.001)

foo = torch.randn(3, 10) #fake input
target = torch.randn(3, 5) #fake target

result = model(foo) #predictions and comparison and backprop
loss = criterion(result, target)
optimizer.zero_grad()
loss.backward()
optimizer.step()


weights_after_backprop = [] # weights after backprop
for param in model.parameters():
    weights_after_backprop.append(param) # only layer1's weight should update, layer2 is not used

for i in zip(weights, weights_after_backprop):
    print(torch.equal(i[0], i[1]))

# **prints all Trues when "layer1" and "act" should be different, I have also tried to call param.detach in the loop but I got the same result.

标签： pythonmachine-learningpytorchbackpropagation

Answer 1

你必须clone参数，否则你只需复制参考。

weights = []

for param in model.parameters():
    weights.append(param.clone())

criterion = nn.BCELoss() # criterion and optimizer setup
optimizer = optim.Adam(model.parameters(), lr=0.001)

foo = torch.randn(3, 10) # fake input
target = torch.randn(3, 5) # fake target

result = model(foo) # predictions and comparison and backprop
loss = criterion(result, target)
optimizer.zero_grad()
loss.backward()
optimizer.step()


weights_after_backprop = [] # weights after backprop
for param in model.parameters():
    weights_after_backprop.append(param.clone()) # only layer1's weight should update, layer2 is not used

for i in zip(weights, weights_after_backprop):
    print(torch.equal(i[0], i[1]))

这使

False
False
True
True