在常见的pytorch代码中，我们见到的初始化方式都是调用init类对每层所有参数进行初始化。但是，有时我们有些特殊需求，比如用某一层的权重取优化其它层，或者手动指定某些权重的初始值。

核心思想就是构造和该层权重同一尺寸的矩阵去对该层权重赋值。但是，值得注意的是，pytorch中各层权重的数据类型是nn.Parameter，而不是Tensor或者Variable。

import torchimport torch.nn as nnimport torch.optim as optimimport numpy as np # 第一一个卷积层，我们可以看到它的权值是随机初始化的w=torch.nn.Conv2d(2,2,3,padding=1)print(w.weight) # 第一种方法print("1.使用另一个Conv层的权值")q=torch.nn.Conv2d(2,2,3,padding=1) # 假设q代表一个训练好的卷积层print(q.weight) # 可以看到q的权重和w是不同的w.weight=q.weight # 把一个Conv层的权重赋值给另一个Conv层print(w.weight) # 第二种方法print("2.使用来自Tensor的权值")ones=torch.Tensor(np.ones([2,2,3,3])) # 先创建一个自定义权值的Tensor，这里为了方便将所有权值设为1w.weight=torch.nn.Parameter(ones) # 把Tensor的值作为权值赋值给Conv层，这里需要先转为torch.nn.Parameter类型，否则将报错print(w.weight)

附：Variable和Parameter的区别

Parameter 是torch.autograd.Variable的一个字类，常被用于Module的参数。例如权重和偏置。

Parameters和Modules一起使用的时候会有一些特殊的属性。parameters赋值给Module的属性的时候，它会被自动加到Module的参数列表中，即会出现在Parameter()迭代器中。将Varaible赋给Module的时候没有这样的属性。这可以在nn.Module的实现中详细看一下。这样做是为了保存模型的时候只保存权重偏置参数，不保存节点值。所以复写Variable加以区分。

另外一个不同是parameter不能设置volatile，而且require_grad默认设置为true。Varaible默认设置为False.

参数：

parameter.data 得到tensor数据

parameter.requires_grad 默认为True， BP过程中会求导

Parameter一般是在Modules中作为权重和偏置，自动加入参数列表，可以进行保存恢复。和Variable具有相同的运算。

我们可以这样简单区分，在计算图中，数据（包括输入数据和计算过程中产生的feature map等）时variable类型，该类型不会被保存到模型中。 网络的权重是parameter类型，在计算过程中会被更新，将会被保存到模型中。

以上这篇pytorch自定义初始化权重的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。