我有一个班级模型:
class Model(nn.Module)
有 2 个可学习的参数:
self.a = torch.nn.Parameter(torch.rand(1, requires_grad=True))
self.b = torch.nn.Parameter(torch.rand(1, requires_grad=True))
里面还有一个神经网络类:
class Net_x(nn.Module)
所以为了训练所有参数,我结合了可学习参数“a,b”和神经网络的参数(在类模型的“init”下):
self.net_x = self.Net_X()
self.params = list(self.net_x.parameters())
self.params.extend(list([self.a, self.b]))
效果很好,网络训练也很好。
我的问题是,现在我试图将其中一个参数更改为参数张量的张量:
self.a = torch.tensor( [[ torch.nn.Parameter(torch.rand(1, requires_grad=True)) ] for i in range(5)] )
那是因为在每个时间步(不是纪元),我都需要使用与 self.a 不同的参数
示例:
for epoch in range(n_epochs):
if timestep<5:
val = 50 - a[0] * b
loss = 10 - val
elif timestep >=5 and timestep < 10:
val = 50 - a[1] * b
loss = 10 - val
模型运行没有问题,但参数没有更新(即它们在每个时期都保持不变)。
P.S 我会添加我的代码,但它真的很长。我希望答案很简单(如果不是,我会尝试减少我的代码并附加它)
答案 0 :(得分:1)
试试这个:
self.a = torch.tensor( [[ torch.nn.Parameter(torch.rand(1, requires_grad=True)) ] for i in range(5)], requires_grad = True )
requires_grad=False
默认情况下,所以我认为这可能是问题