前言
这两个都是一个东西，使用上有细微差别。
对了，他两的主要作用是：将一个不可训练的类型Tensor转换成可以训练的类型parameter，并将这个parameter绑定到这个module里面，相当于变成了模型的一部分，成为了模型中可以根据训练进行变化的参数。
差别
Parameter()Parameter是Tensor，即Tensor拥有的属性它都有，⽐如可以根据data来访问参数数值，⽤grad来访问参数梯度。
举例：
# 随便定义一个网络net = nn.Sequential(nn.Linear(4, 3), nn.ReLU(), nn.Linear(3, 1)) # list让它可以访问weight_0 = list(net[0].parameters())[0]print(weight_0.data)print(weight_0.grad)'output'tensor([[ 0.2719, -0.0898, -0.2462, 0.0655],[-0.4669, -0.2703, 0.3230, 0.2067],[-0.2708, 0.1171, -0.0995, 0.3913]])None
register_parameter(name, param)
向我们建立的网络module添加parameter
最大的区别：parameter可以通过注册网络时候的name获取。
举例
举例如下
class Example(nn.Module):def __init__(self):super(Example, self).__init__()print('看看我们的模型有哪些parameter:\t', self._parameters, end='\n')self.W1_params = nn.Parameter(torch.rand(2,3))print('增加W1后看看：',self._parameters, end='\n')self.register_parameter('W2_params' , nn.Parameter(torch.rand(2,3)))print('增加W2后看看：',self._parameters, end='\n')def forward(self, x):return x
输出：
mymodel = Example()'''看看我们的模型有哪些parameter: OrderedDict()增加W1后看看： OrderedDict([('W1_params', Parameter containing:tensor([[0.0479, 0.9264, 0.1193],[0.5004, 0.7336, 0.6464]], requires_grad=True))])增加W2后看看： OrderedDict([('W1_params', Parameter containing:tensor([[0.0479, 0.9264, 0.1193],[0.5004, 0.7336, 0.6464]], requires_grad=True)), ('W2_params', Parameter containing:tensor([[0.1028, 0.2370, 0.8500],[0.6116, 0.0463, 0.4229]], requires_grad=True))])'''
打印出来看看
for k,v in mymodel.named_parameters():print(k,v)W1_params Parameter containing:tensor([[0.4610, 0.2772, 0.5786],[0.7729, 0.0163, 0.4747]], requires_grad=True)W2_params Parameter containing:tensor([[0.4058, 0.8788, 0.2411],[0.5428, 0.9389, 0.5968]], requires_grad=True)
