我有一个被划分为更小数据集的数据集。

我想为数据集的每个分区训练3个模型，但所有训练会话都需要从相同的初始网络参数开始。

所以看起来是这样的：

modelList = []thisCNN = NNet()for x in range(3):    train = torch.utils.data.DataLoader(Subset(train_set, indexes[x]), batch_size=32)    bb = trainMyNet(thisCNN, train, test)    modelList.append(list(bb.parameters()))print modelList[0][1]print modelList[1][1]print modelList[2][1]

在打印时，我发现每个保存的模型的参数完全相同，这很奇怪，而且我还注意到在每次迭代后，模型实际上是从前一次迭代继续训练的，因为每次迭代的损失都在降低。

我试图实现的是，每次迭代在当前子集 x 上获得一个新模型，但训练应从相同的初始 thisCNN = NNet() 权重开始。

回答：

当你调用 bb = trainMyNet(thisCNN, train, test) 时，你并没有复制 thisCNN，而是在每次迭代中更新的是同一个模型。要使你的代码正常工作，你可能应该传递这个模型的副本：

from copy import deepcopy    modelList = []thisCNN = NNet()for x in range(3):    train = torch.utils.data.DataLoader(Subset(train_set, indexes[x]), batch_size=32)    bb = trainMyNet(deepcopy(thisCNN), train, test)    modelList.append(list(bb.parameters()))print modelList[0][1]print modelList[1][1]print modelList[2][1]

这应该会将所有模型初始化为 thisCNN，并确保它们在训练后是不同的。