PyTorch中参数与张量之间的差异

我想知道PyTorch参数和张量之间的区别

---

现有的是用于使用变量的旧PyTorch？

这是单个图像中

参数
类（附加）的全部思想


因为它是从
张量

的子类，所以它是一个张量

但有一个窍门。模块内部的参数将添加到模块参数列表中。如果

m

是您的模块，

m.parameters（）

将保存您的参数

以下是一个例子：

class M(nn.Module):
    def __init__(self):
        super().__init__()
        self.weights = nn.Parameter(torch.randn(2, 2))
        self.bias = nn.Parameter(torch.zeros(2))

    def forward(self, x):
        return x @ self.weights + self.bias

m=M()
m.parameters()
list(m.parameters())

---

[Parameter containing:
 tensor([[ 0.5527,  0.7096],
         [-0.2345, -1.2346]], requires_grad=True), Parameter containing:
 tensor([0., 0.], requires_grad=True)]

您可以看到参数将如何显示我们定义的内容。

---

如果我们只是在类中添加一个张量，比如

self.t=tensor

，它将不会显示在参数列表中。确实如此。没什么特别的。

我还是不明白其中的区别。添加了一个小示例，您可以通过添加一个张量作为类属性来改进示例，并检查差异。如果您可以从用例的角度添加它们的差异，那就太好了。什么时候应该使用张量，什么时候应该使用参数。以下是文档：