5.3. 延后初始化¶

到目前为止，我们忽略了建立网络时需要做的以下这些事情：

我们定义了网络架构，但没有指定输入维度。
我们添加层时没有指定前一层的输出维度。
我们在初始化参数时，甚至没有足够的信息来确定模型应该包含多少参数。

有些读者可能会对我们的代码能运行感到惊讶。毕竟，深度学习框架无法判断网络的输入维度是什么。这里的诀窍是框架的延后初始化（defers initialization），即直到数据第一次通过模型传递时，框架才会动态地推断出每个层的大小。

在以后，当使用卷积神经网络时，由于输入维度（即图像的分辨率）将影响每个后续层的维数，有了该技术将更加方便。现在我们在编写代码时无须知道维度是什么就可以设置参数，这种能力可以大大简化定义和修改模型的任务。接下来，我们将更深入地研究初始化机制。

5.3.1. 实例化网络¶

首先，让我们实例化一个多层感知机。

import torch
from torch import nn

"""延后初始化"""
net = nn.Sequential(nn.LazyLinear(256), nn.ReLU(), nn.LazyLinear(10))
print(net[0].weight)  # 尚未初始化
print(net)

X = torch.rand(2, 20)
net(X)
print(net)

<UninitializedParameter>
Sequential(
  (0): LazyLinear(in_features=0, out_features=256, bias=True)
  (1): ReLU()
  (2): LazyLinear(in_features=0, out_features=10, bias=True)
)
Sequential(
  (0): Linear(in_features=20, out_features=256, bias=True)
  (1): ReLU()
  (2): Linear(in_features=256, out_features=10, bias=True)
)

此时，因为输入维数是未知的，所以网络不可能知道输入层权重的维数。因此，框架尚未初始化任何参数，我们通过尝试访问以下参数进行确认。

print(net[0].weight)  # 尚未初始化

Parameter containing:
tensor([[-0.0961, -0.1983,  0.0831,  ...,  0.0931, -0.0187, -0.2052],
        [ 0.0079,  0.0702,  0.1057,  ..., -0.2014, -0.1998,  0.2114],
        [ 0.0509, -0.0123, -0.2064,  ..., -0.1367,  0.1734,  0.2112],
        ...,
        [ 0.2051,  0.0179,  0.1833,  ...,  0.0266,  0.1123,  0.0090],
        [ 0.0731,  0.0141, -0.1456,  ...,  0.0133, -0.0766,  0.1196],
        [-0.0420, -0.1372, -0.2043,  ..., -0.1026,  0.0511, -0.1599]],
       requires_grad=True)

请注意，每个层对象都存在，但权重为空。此时代码将抛出一个错误，因为权重尚未初始化。

接下来让我们将数据通过网络，最终使框架初始化参数。

X = torch.rand(2, 20)
net(X)
print(net)

Sequential(
  (0): Linear(in_features=20, out_features=256, bias=True)
  (1): ReLU()
  (2): Linear(in_features=256, out_features=10, bias=True)
)

5.3.2. 小结¶

延后初始化使框架能够自动推断参数形状，使修改模型架构变得容易，避免了一些常见的错误。
我们可以通过模型传递数据，使框架最终初始化参数。

5.3.3. 练习¶

如果指定了第一层的输入尺寸，但没有指定后续层的尺寸，会发生什么？是否立即进行初始化？
如果指定了不匹配的维度会发生什么？
如果输入具有不同的维度，需要做什么？提示：查看参数绑定的相关内容。

讨论