《PyTorch入门精华》

---

1 前言

---

2 深度学习之数学基础

---

3 PyTorch入门疑难点

---

4 PyTorch全局设置

---

5 PyTorch GPU分布式训练

---

6 向量的基础与核心

---

7 神经网络基础

---

8 计算机视觉基础知识

---

9 循环神经网络基础

---

10 注意力机制

---

11 PyTorch归一化

---

12 激活函数相关内容

---

13 思考题的答案

---

---

线性网络的参数以及初始化

有一线性网络：torch.nn.Linear(in_features, out_features, bias=True)，有下面两个问题：

1.1、权重矩阵的形状是什么？

线性变换可以简单地表示为 y = Ax + b，其中 A 是权重矩阵，x 是输入向量，b 是偏置向量，y 是输出向量。对于矩阵左乘，Ax 将in_features维输入x映射为out_features维输出，所以A的形状是 out_features * in_features

1.2、权重矩阵的初始化方式是什么？

权重矩阵的初始化如下所示：

1.3、如何自定义权重矩阵？

import torch.nn.init as init

class CustomLinear(nn.Linear):
    def __init__(self, in_features, out_features, bias=True):
        super(CustomLinear, self).__init__(in_features, out_features, bias)
        # 使用自定义的权重初始化方法
        init.kaiming_uniform_(self.weight, a=math.sqrt(5))
        if self.bias is not None:
            fan_in, _ = init._calculate_fan_in_and_fan_out(self.weight)
            bound = 1 / math.sqrt(fan_in)
            init.uniform_(self.bias, -bound, bound)

# 使用自定义的线性层
custom_linear = CustomLinear(in_features=10, out_features=2)

1.4、在自定义权重矩阵中，普通的张量是否可以直接赋值给模块的weight参数？

PyTorch的模型参数期望的是一个torch.nn.Parameter对象或者None，而不是一个普通的张量。当我们尝试将一个普通张量直接赋值给模型参数的权重时，就会触发这个TypeError。

解决方法有两个：

（1）使用torch.nn.Parameter包装普通张量(推荐使用)

（2）将普通张量赋值给weight.data

---