20230227 -
对于torch中的权值初始化方式，以往都是采用默认的方式，或者利用初始化库里面的函数。但是如果想尝试一些自己的想法，那就必须自己来填充这部分数据，例如看到的内容，利用PCA的公式来对权值进行填充。
那么这里就必须对这个权值进行修改，但是查找了一下，发现很少有这部分内容，所以这里进行一些记录。但是总感觉我这个程序还是怪怪的，可能最后效果也不会好。
为了拿到这个权值，可以使用state_dict这个函数，因为我这里使用的是sequential的形式定义的层，所以如果要拿到某一层的话，需要利用字典键值拿到某一层。
但是这里出现了一个问题，我是输入维度是128，输出是96，但这个权值矩阵的形状是(96,128)，从这个数值上可以看到，他们是转置过的，但是毕竟不太清楚具体原理，所以还是查询了一下，在文章[1]中也说明了，确实是这样，而且他后续运算也是经过转置的。
好像我记得之前的时候，处理Keras权值的时候也存在这个问题。
同时因为我是用Sequential定义的层，实际上我可以通过数组的形式来提取这个权值，model.l[0]这样的形式，其中l是Sequential定义的。
一般为了训练模型的可复用，那么会经常保存模型，然后重新加载，这个采用save和load就足够了。这种一般你同一个定义的模型，他是不会出现什么错误的。不过当时我记得出现过一个GPU和CPU版本的问题，调整某个参数就可以了。
这里我的一个需求是，我需要把某个层的数值给进行修改，比如我就是要把某个层给设置成0，我可以直接用前面索引的形式[2]，来进行复制
with troch.no_grad():
model.l[0] = nn.Parameter(torch.zeros(96,128))
这个no_grad()是不是必须的，目前暂时不清楚，但是还是加上比较保险。
同时，如果想用state_dict()[‘key’]的形式来进行赋值，那么可以在no_grad()下采用copy_函数。
[1]PyTorch - unexpected shape of model parameters weights
[2]How to set specific values for the weight and bias in a neural net?
[3]How to assign values to nn.Linear object