Python 如何在pytorch中变异NN的权重

我正在用pytorch玩遗传算法，我正在寻找一种更有效的方法来改变网络的权重（对它们进行一个小的修改）

现在我有了一个次优的解决方案，我循环遍历参数并应用随机修改

child\u agent=network（）
对于child_agent.parameters（）中的参数：
如果len（param.shape）==4:#Conv2D的权重
对于范围内的i0（参数形状[0]）：
对于范围内的i1（参数形状[1]）：
对于范围内的i2（参数形状[2]）：
对于范围内的i3（参数形状[3]）：
param[i0][i1][i2][i3]+=变异幂*np.random.randn（）
elif len（参数形状）=2:#线性层的权重
对于范围内的i0（参数形状[0]）：
对于范围内的i1（参数形状[1]）：
param[i0][i1]+=mutation_power*np.random.randn（）
elif len（参数形状）=1:#线性层或转换层的偏差
对于范围内的i0（参数形状[0]）：
param[i0]+=mutation_power*np.random.randn（）

此解决方案与我的体系结构相关，如果我决定添加更多层，则需要重新编码。有没有办法更有效、更干净地完成这项工作？无论我的网络架构如何，它都能正常工作

---

感谢

pytorch

和

numpy

是面向

tensor

的，例如，您对多维数组中包含的多个项（如对象）进行操作

您可以将整个代码更改为这一行：

import torch

child_agent = network()
for param in child_agent.parameters():
    param.data += mutation.power * torch.randn_like(param)

randn_like

（）创建与

param

形状相同的随机法向张量

此外，如果此参数需要

grad

（它可能需要），则应修改其

数据

字段

:

---

我不需要任何毕业生，因为我只需要实例化网络，改变/加入它们，而从不训练它们。

import torch

mutation_power = 0.4

child_agent = torch.nn.Sequential(
    torch.nn.Conv2d(1, 3, 3, padding=1), torch.nn.Linear(10, 20)
)

for param in child_agent.parameters():
    param.data += mutation_power * torch.randn_like(param)