Parameter

查看源文件

概述

Parameter是变量张量，代表在训练网络时，需要被更新的参数。本章主要介绍了Parameter的初始化以及属性和方法的使用，同时介绍了ParameterTuple。

初始化

mindspore.Parameter(default_input, name, requires_grad=True, layerwise_parallel=False)

初始化一个Parameter对象，传入的数据支持Tensor、Initializer、int和float四种类型。

Initializer是初始化器，保存了shape和dtype信息，提供to_tensor方法生成存有数据的Tensor，可调用initializer接口生成Initializer对象。

当网络采用半自动或者全自动并行策略，并且使用Initializer初始化Parameter时，Parameter里保存的不是Tensor，而是MetaTensor。

MetaTensor与Tensor不同，MetaTensor仅保存张量的形状和类型，而不保存实际数据，所以不会占用任何内存，可调用init_data接口将Parameter里保存的MetaTensor转化为Tensor。

可为每个Parameter指定一个名称，便于后续操作和更新。

当参数需要被更新时，需要将requires_grad设置为True。

当layerwise_parallel（混合并行）配置为True时，参数广播和参数梯度聚合时会过滤掉该参数。

有关分布式并行的相关配置，可以参考文档：https://www.mindspore.cn/doc/programming_guide/zh-CN/r1.0/auto_parallel.html。

下例通过三种不同的数据类型构造了Parameter，三个Parameter都需要更新，都不采用layerwise并行。如下：

import numpy as np
from mindspore import Tensor, Parameter
from mindspore.common import dtype as mstype
from mindspore.common.initializer import initializer

x = Parameter(default_input=Tensor(np.arange(2*3).reshape((2, 3))), name="x")
y = Parameter(default_input=initializer('ones', [1, 2, 3], mstype.float32), name='y')
z = Parameter(default_input=2.0, name='z')

print(x, "\n\n", y, "\n\n", z)

输出如下：

Parameter (name=x, value=[[0 1 2]
                          [3 4 5]])

Parameter (name=y, value=[[[1. 1. 1.]
                           [1. 1. 1.]]])

Parameter (name=z, value=2.0)

属性

  • inited_param：返回保存了实际数据的Parameter，如果Parameter原本保存的是MetaTensor，会将其转换为Tensor。

  • name：实例化Parameter时，为其指定的名字。

  • sliced：用在自动并行场景下，表示Parameter里保存的数据是否是分片数据。

    如果是，就不再对其进行切分，如果不是，需要根据网络并行策略确认是否对其进行切分。

  • is_init：Parameter的初始化状态。在GE后端，Parameter需要一个init graph来从主机同步数据到设备侧，该标志表示数据是否已同步到设备。 此标志仅在GE后端起作用，其他后端将被设置为False。

  • layerwise_parallel：Parameter是否支持layerwise并行。如果支持，参数就不会进行广播和梯度聚合，反之则需要。

  • requires_grad：是否需要计算参数梯度。如果参数需要被训练，则需要计算参数梯度，否则不需要。

  • data： Parameter本身。

下例通过Tensor初始化一个Parameter，获取了Parameter的相关属性。如下：

import numpy as np

from mindspore import Tensor, Parameter

x = Parameter(default_input=Tensor(np.arange(2*3).reshape((2, 3))), name="x")

print("name: ", x.name, "\n",
      "sliced: ", x.sliced, "\n",
      "is_init: ", x.is_init, "\n",
      "inited_param: ", x.inited_param, "\n",
      "requires_grad: ", x.requires_grad, "\n",
      "layerwise_parallel: ", x.layerwise_parallel, "\n",
      "data: ", x.data)

输出如下：

name:  x
sliced:  False
is_init:  False
inited_param:  None
requires_grad:  True
layerwise_parallel:  False

data:  Parameter (name=x, value=[[0 1 2]
                                 [3 4 5]])

方法

  • init_data：在网络采用半自动或者全自动并行策略的场景下， 当初始化Parameter传入的数据是Initializer时，可调用该接口将Parameter保存的数据转换为Tensor。

  • set_data：设置Parameter保存的数据，支持传入Tensor、Initializer、int和float进行设置， 将方法的入参slice_shape设置为True时，可改变Parameter的shape，反之，设置的数据shape必须与Parameter原来的shape保持一致。

  • set_param_ps：控制训练参数是否通过Parameter Server进行训练。

  • clone：克隆Parameter，需要指定克隆之后的参数名称。

下例通过Initializer来初始化Tensor，调用了Parameter的相关方法。如下：

import numpy as np

from mindspore import Tensor, Parameter
from mindspore import dtype as mstype
from mindspore.common.initializer import initializer

x = Parameter(default_input=initializer('ones', [1, 2, 3], mstype.float32), name='x')

print(x)
print(x.clone(prefix="x_c"))
print(x.init_data())
print(x.set_data(data=Tensor(np.arange(2*3).reshape((1, 2, 3)))))

输出如下：

Parameter (name=x, value=[[[1. 1. 1.]
                           [1. 1. 1.]]])
Parameter (name=x_c.x, value=[[[1. 1. 1.]
                               [1. 1. 1.]]])
Parameter (name=x, value=[[[1. 1. 1.]
                           [1. 1. 1.]]])
Parameter (name=x, value=[[[0. 1. 2.]
                           [3. 4. 5.]]])

ParameterTuple

继承于tuple，用于保存多个Parameter，通过__new__(cls, iterable)传入一个存放Parameter的迭代器进行构造，提供clone接口进行克隆。

下例构造了一个ParameterTuple对象，并进行了克隆。如下：

import numpy as np
from mindspore import Tensor, Parameter, ParameterTuple
from mindspore.common import dtype as mstype
from mindspore.common.initializer import initializer

x = Parameter(default_input=Tensor(np.arange(2*3).reshape((2, 3))), name="x")
y = Parameter(default_input=initializer('ones', [1, 2, 3], mstype.float32), name='y')
z = Parameter(default_input=2.0, name='z')
params = ParameterTuple((x, y, z))
params_copy = params.clone("params_copy")
print(params, "\n")
print(params_copy)

输出如下：

(Parameter (name=x, value=Tensor(shape=[2, 3], dtype=Int64,
[[ 0,  1,  2],
 [ 3,  4,  5]])), Parameter (name=y, value=Tensor(shape=[1, 2, 3], dtype=Float32,
[[[ 1.00000000e+00,  1.00000000e+00,  1.00000000e+00],
  [ 1.00000000e+00,  1.00000000e+00,  1.00000000e+00]]])), Parameter (name=z, value=Tensor(shape=[], dtype=Float32, 2)))

(Parameter (name=params_copy.x, value=Tensor(shape=[2, 3], dtype=Int64,
[[ 0,  1,  2],
 [ 3,  4,  5]])), Parameter (name=params_copy.y, value=Tensor(shape=[1, 2, 3], dtype=Float32,
[[[ 1.00000000e+00,  1.00000000e+00,  1.00000000e+00],
  [ 1.00000000e+00,  1.00000000e+00,  1.00000000e+00]]])), Parameter (name=params_copy.z, value=Tensor(shape=[], dtype=Float32, 2)))