在一个类中，同样是注册一个 tensor，下面这三个方法有什么不同呢。

self.alpha = torch.tensor(...)
self.register_buffer("alpha", torch.tensor(...))
self.alpha = nn.Parameter(...)

表达方式	是否为模型参数 (.parameters())	是否会随模型一起保存 (.state_dict())	是否会被转移设备（如 .to(device)）
self.alpha = torch.tensor(...)	❌ 否	❌ 否	❌ 否
self.register_buffer("alpha", torch.tensor(...))	❌ 否	✅ 是	✅ 是
self.alpha = nn.Parameter(...)	✅ 是	✅ 是	✅ 是

下面是一个对比测试的小例子：

import torch
import torch.nn as nn

class CompareAlphaWays(nn.Module):
    def __init__(self):
        super().__init__()
        # 普通 tensor，不会被保存或移动
        self.alpha_tensor = torch.tensor(0.5)

        # buffer，会被保存、移动，但不可训练
        self.register_buffer("alpha_buffer", torch.tensor(0.5))

        # 参数，会被保存、移动、训练
        self.alpha_param = nn.Parameter(torch.tensor(0.5))

    def forward(self):
        return self.alpha_tensor, self.alpha_buffer, self.alpha_param


model = CompareAlphaWays()

print("\n📦 模型 state_dict:")
for k, v in model.state_dict().items():
    print(f"{k}: {v} (device: {v.device})")

print("\n🎯 模型参数列表 (可训练的):")
for name, param in model.named_parameters():
    print(f"{name}: {param} (requires_grad: {param.requires_grad})")

print("\n🚀 转移到 GPU（如果可用）:")
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

print(f"\n🔍 alpha_tensor.device: {model.alpha_tensor.device} ❌ (不会变)")
print(f"🔍 alpha_buffer.device: {model.alpha_buffer.device} ✅")
print(f"🔍 alpha_param.device:  {model.alpha_param.device} ✅")

输出说明：

📦 模型 state_dict:
alpha_param: 0.5 (device: cpu)
alpha_buffer: 0.5 (device: cpu)

🎯 模型参数列表 (可训练的):
alpha_param: Parameter containing:
tensor(0.5000, requires_grad=True) (requires_grad: True)

🚀 转移到 GPU（如果可用）:

🔍 alpha_tensor.device: cpu ❌ (不会变)
🔍 alpha_buffer.device: cuda:0 ✅
🔍 alpha_param.device:  cuda:0 ✅