在 PyTorch 中，nn.Parameter 是一個類，用于將張量包裝成可學習的參數(shù)。它是 torch.Tensor 的子類，但被設計成可以被優(yōu)化器更新的參數(shù)。通過將張量包裝成 nn.Parameter，你可以告訴 PyTorch 這是一個模型參數(shù)，從而在訓練時自動進行梯度計算和優(yōu)化。

使用方法：

首先，你需要導入相應的模塊：

import torch
import torch.nn as nn

然后，可以使用 nn.Parameter 類來創(chuàng)建可學習的參數(shù)。以下是一個簡單的示例：

class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()# 創(chuàng)建一個可學習的參數(shù)，大小為 (3, 3)self.weight = nn.Parameter(torch.rand(3, 3))def forward(self, x):# 在前向傳播中使用參數(shù)output = torch.matmul(x, self.weight)return output

在上面的示例中，self.weight 被定義為一個 nn.Parameter，它是一個 3x3 的矩陣。當你訓練這個模型時，self.weight 將會被優(yōu)化器更新。

為什么使用 nn.Parameter：

1. 自動梯度計算： 將張量包裝成 nn.Parameter 后，PyTorch 將會自動追蹤對該參數(shù)的操作，從而可以進行自動梯度計算。

2. 與優(yōu)化器的集成： 在模型的 parameters() 方法中，nn.Parameter 對象會被自動識別為模型的參數(shù)，可以方便地與優(yōu)化器集成。

3. 清晰的模型定義： 將可學習的參數(shù)顯式地聲明為 nn.Parameter 使得模型的定義更加清晰和可讀。

示例使用：

# 創(chuàng)建模型
model = MyModel()# 打印模型的參數(shù)
for param in model.parameters():print(param)# 假設有輸入張量 x
x = torch.rand(3, 3)# 計算模型輸出
output = model(x)# 打印輸出
print(output)

在實際使用中，你可以通過 model.parameters() 獲取模型的所有參數(shù)，并將其傳遞給優(yōu)化器進行訓練。