Python PyTorch网络参数空间距离的计算
我是皮托克的新手。我想在参数空间中跟踪我的模型通过优化所经过的距离。这是我正在使用的代码Python PyTorch网络参数空间距离的计算,python,pytorch,Python,Pytorch,我是皮托克的新手。我想在参数空间中跟踪我的模型通过优化所经过的距离。这是我正在使用的代码 class ParameterDiffer(object): def __init__(self, network): network_params = [] for p in network.parameters(): network_params.append(p.data.numpy()) self.network_par
class ParameterDiffer(object):
def __init__(self, network):
network_params = []
for p in network.parameters():
network_params.append(p.data.numpy())
self.network_params = network_params
def get_difference(self, network):
total_diff = 0.0
for i, p in enumerate(network.parameters()):
p_np = p.data.numpy()
diff = self.network_params[i] - p_np
# print(diff)
scalar_diff = np.sum(diff ** 2)
total_diff += scalar_diff
return total_diff
这样行吗?我一直在跟踪总差异,并记录下来,但它似乎总是为零。尽管模型的性能正在提高,这让我非常困惑。原因是什么
这是因为PyTorch处理numpy数组和torch张量之间的转换的方式。如果numpy数组和torch张量之间的底层数据类型相同,则它们将共享内存。更改其中一个的值也会更改另一个的值。我在这里举一个具体的例子
x = Variable(torch.rand(2, 2))
y = x.data.numpy()
x
Out[39]:
Variable containing:
0.8442 0.9968
0.7366 0.4701
[torch.FloatTensor of size 2x2]
y
Out[40]:
array([[ 0.84422851, 0.996831 ],
[ 0.73656738, 0.47010136]], dtype=float32)
然后,如果您在适当的位置更改x,并查看x和y中的值,您将发现它们仍然相同
x += 2
x
Out[42]:
Variable containing:
2.8442 2.9968
2.7366 2.4701
[torch.FloatTensor of size 2x2]
y
Out[43]:
array([[ 2.84422851, 2.99683094],
[ 2.7365675 , 2.47010136]], dtype=float32)
因此,在模型更新期间,模型中的参数和类parameterDifference
中的参数将始终相同。这就是为什么你会看到零
如何解决这个问题?
如果numpy数组和torch Tensor的底层数据类型不兼容,它将强制在torch Tensor中复制原始数据,这将使numpy数组和torch Tensor具有单独的内存
一种简单的方法就是将numpy数组转换为类型np.float64
。而不是
network_params.append(p.data.numpy())
你可以用
network_params.append(p.data.numpy().astype(np.float64))
重要参考资料
非常感谢你,我真的不知道这是怎么回事。非常透彻的解释,我希望我能多投一票。