Python 当我复制一个网络时，为什么它在Pytorch中'；它的权重在反向传播后会自动更新吗？

我编写了以下代码作为测试，因为在我最初的网络中，我使用moduledit，这取决于我提供的索引，它只对网络的一部分进行切片和训练

我想确保只有被切片的层才能更新它们的权重，所以我编写了一些测试代码来进行双重检查。我得到了一些奇怪的结果。假设我的模型有两层，第一层是FC，第二层是Conv2d，如果我分割网络，只使用第二层，我希望第一层的权重保持不变，因为它们未使用，第二层的权重将在1个历元后更新

因此，我的计划是在训练前使用

for

循环从网络中获取所有权重，然后在1

optimizer.step（）之后执行。这两次我都会将这些权重完全分开存储在两个Python列表中，以便稍后比较它们的结果。出于某种原因，如果我将这两个列表与
torch.equal（）
进行比较，它们是完全相同的。我认为这是因为内存中可能还有某种隐藏的链接？因此，当我从循环中抓取权重时，我尝试对权重使用
.detach（）
，结果仍然相同。在这种情况下，第二层的权重应该不同，因为它应该包含训练前网络中的权重

在下面的代码中，我实际上使用了layer1而忽略了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.

您必须
克隆
参数，否则只需复制引用即可

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]))

给

False
False
True
True

非常感谢，我错了，我想detach（）会做一些完全不同的事情，是时候再次查看文档了。对于任何想知道的人，在上面的代码中，我发现的唯一区别是：
对于model.parameters（）中的param:weights.append（param.clone（））