params_g = list(global_model.parameters()) 代码示例讲解

假设我们有一个全局模型global_model，其中包含了若干个可训练参数。我们可以使用以下代码将这些参数存储在一个列表params_g中：

import torch

# 定义一个全局模型
class GlobalModel(torch.nn.Module):
    def __init__(self):
        super(GlobalModel, self).__init__()
        self.fc1 = torch.nn.Linear(10, 5)
        self.fc2 = torch.nn.Linear(5, 2)
        
    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

global_model = GlobalModel()

# 将全局模型中的可训练参数存储在一个列表中
params_g = list(global_model.parameters())

在上述代码中，我们首先定义了一个全局模型GlobalModel，其中包含两个全连接层，每个层的输入和输出维度分别为10/5和5/2。接着我们实例化了这个模型global_model，并将其可训练参数存储在一个列表params_g中。需要注意的是，params_g包含了全局模型中所有可训练的参数，包括权重和偏置。我们可以通过print(params_g)来查看params_g的内容：

[Parameter containing:
tensor([[ 0.3040, -0.2169, -0.2094,  0.0417, -0.1776, -0.1539, -0.0272, -0.2538,
         -0.0254, -0.0524],
        [ 0.1559,  0.0301,  0.1869, -0.0603, -0.2762, -0.2402, -0.2752,  0.3090,
          0.1618, -0.2059],
        [-0.2078, -0.0709,  0.2149,  0.1688,  0.1126,  0.2355, -0.1268,  0.2958,
         -0.1841, -0.2192],
        [-0.0491, -0.2933, -0.2443,  0.1089,  0.2635,  0.0336, -0.1945, -0.2661,
         -0.3040, -0.0074],
        [ 0.1095, -0.0263, -0.0504, -0.2728, -0.0276, -0.1039, -0.2217, -0.1183,
         -0.2977,  0.1950]], requires_grad=True), 
     Parameter containing:
tensor([ 0.1644,  0.2259,  0.1508,  0.0772, -0.1981], requires_grad=True), 
     Parameter containing:
tensor([[-0.2762,  0.3982, -0.3694, -0.0422, -0.1494],
        [-0.1798,  0.0482, -0.1230, -0.1398, -0.1625]], requires_grad=True), 
     Parameter containing:
tensor([ 0.2771, -0.2364], requires_grad=True)]

可以看到params_g是一个包含4个参数的列表，每个参数都是一个tensor，并且requires_grad=True表示这些参数需要在训练过程中进行更新。