部分一：模型參數(shù)的訪問

通過Module類的parameters()或named_parameters()方法訪問模型參數(shù)；

代碼實現(xiàn)：

打印結(jié)果：

可以發(fā)現(xiàn)，named_parameters()方法是通過生成器來訪問模型參數(shù)的，關(guān)于生成器generator可參考算法崗面試總結(jié)—Python篇；對于通過Sequential類構(gòu)造的網(wǎng)絡(luò)，可以進(jìn)行單層的訪問：

結(jié)果：

注意：

Parameter類是Tensor類的子類，如果一個Tensor是Parameter，則會被自動添加到模型的參數(shù)列表：

因為Parameter類是Tensor的子類，所以可由data訪問參數(shù)值，由grad訪問梯度：

結(jié)果：

部分二：模型參數(shù)的初始化

例如，將權(quán)重參數(shù)初始化成均值為0，標(biāo)準(zhǔn)差為0.01的正態(tài)分布隨機(jī)數(shù)，偏差參數(shù)清零：

結(jié)果：

自定義初始化方法：使權(quán)重有一半的概率初始化為0，有另一半的概率初始化為[-10,-5]和[5,10]兩個區(qū)間里均勻分布的隨機(jī)數(shù)，代碼實現(xiàn)如下；

結(jié)果：

我們可以通過data來改寫模型的參數(shù)值，而不影響梯度：

結(jié)果：

部分三：模型參數(shù)的共享

如果Sequential里是同一個Module實例，則這些Module實例的參數(shù)共享，代碼實現(xiàn)如下：

結(jié)果：

實際上，在內(nèi)存中，這兩個Module實例其實是同一個對象：

模型參數(shù)里包含了梯度，所以在反向傳播計算時，共享的參數(shù)的梯度會進(jìn)行累加：

結(jié)果：