parameters() 函数是 PyTorch 中 torch.nn.Module 类的一个方法，用于返回模型中所有可训练的参数。下面是对这个函数的详细解释：

1. parameters() 方法工作机制

parameters() 方法工作机制：定义一个模型，通常会将多个层（如卷积层、线性层等）组合在一起，这些层就是主模块的子模块。而这些子模块中有些也可能包含自己的子模块，形成一个递归的层次结构。parameters() 方法会自动遍历整个层次结构，获取每个模块和子模块中的可训练参数。

2. 返回值

• 返回一个迭代器，其中包含所有可训练的参数。

 3. 示例

import torch
import torch.nn as nn

# 定义一个包含多个子模块的模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)  # 子模块1
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)  # 子模块2
        self.fc = nn.Linear(32 * 16 * 16, 10)  # 子模块3

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1)  # Flattening for the fully connected layer
        x = self.fc(x)
        return x

# 实例化模型
model = MyModel()

# 获取模型的参数
for param in model.parameters():
    print(param.size())

      上述代码中Conv2d函数bias没有指定值，则取默认值bias=True，也就是说，在上述代码中，bias是存在的。

分析：

• MyModel 包含了 3 个层：两个卷积层（conv1 和 conv2）以及一个全连接层（fc）。
• 这些层都是 MyModel 的子模块。
• 当你调用 model.parameters() 时，它不仅返回 MyModel 自己的参数，还会递归地返回所有子模块（即 conv1、conv2、fc）的参数。

3. 递归参数获取

parameters() 函数递归地遍历模块中的所有子模块，获取每个模块的参数。每个 nn.Module 对象的 parameters() 方法会遍历它自己和它的所有子模块，将所有可训练参数打包在一起。

你可以通过以下代码验证这一点：

# 打印每个模块的参数名和大小 
for name, param in model.named_parameters(): 
    print(f"参数名: {name}, 大小: {param.size()}")

输出：

参数名: conv1.weight, 大小: torch.Size([16, 3, 3, 3]) 
参数名: conv1.bias, 大小: torch.Size([16]) 
参数名: conv2.weight, 大小: torch.Size([32, 16, 3, 3]) 
参数名: conv2.bias, 大小: torch.Size([32]) 
参数名: fc.weight, 大小: torch.Size([10, 8192]) 
参数名: fc.bias, 大小: torch.Size([10])

这里你会看到，不仅 MyModel 中的卷积层 conv1、conv2 的权重和偏置参数被列出，连全连接层 fc 的参数也被列出了。

4. 参数过滤（过滤出可训练的参数）

可以通过条件过滤来获取特定类型的参数，例如仅获取可训练的参数：

trainable_params = [p for p in model.parameters() if p.requires_grad]

5. 计算参数总量

可以结合 numel() 方法来计算模型的参数总量：

total_params = sum(p.numel() for p in model.parameters() if p.requires_grad) 
print(f"总参数量: {total_params}")

在这个示例中，p.numel() 返回参数的元素数量，if p.requires_grad 确保只计算需要梯度的参数（即可训练的参数）。运行这个代码将输出模型的参数总量。