做公众号必了解的网站简洁的网站设计

register buffer

定义模型能用torch.save保存的、但是不更新参数。

使用：只要是nn.Module的子类就能直接self.调用使用：

class A(nn.Module):
#...
self.register_buffer('betas', torch.linspace(beta_1, beta_T, T).double())
#...

手动定义参数

上述的参数显然可以直接用一个变量直接定义超参。但是缺点是在用torch.save()保存的时候不能保存在参数里面，只能用个文本文件保存在外面。不能直接用torch.load加载，不是很方便。

举个例子，假设你有100个超参，难不成要一个一个记录之后，手动造轮子解析保存的txt嘛？当然也行，但是麻烦。
就比如Diffusion Model中的beta和alpha，在每个timestep时候都是不一样的，这时候手动保存会相当麻烦，用register buffer会相当方便。

普通参数

一般来说模型中的可变参数都是nn.Parameter()类的，这些都是可变的，optimizer会去优化它们。

要是跟register buffer硬凑在一起，把Parameter的require_grad改成False也能充当。但是何必呢？