框架：pytorch

在使用神经网络的时候有时候会将几个不同的神经网络组合，再采用梯度下降更新参数，那么在设置优化器的时候该如何将多个神经网络的参数进行融合呢？目前网络上的大部分信息都是采用Itertools.chain()将参数融合在一起：

链接
Python Itertools.chain()用法及代码示例
将所有可迭代对象组合在一起，并生成一个可迭代对象作为输出。它的输出不能直接使用，因此不能显式转换为可迭代对象。

parameters()函数返回的是一个Module.parameters的对象，实际上相当于参数的容器，而itertools.chain(）是将多个模型的参数整合进一个新的容器内。
但是我遇到的一个问题是我的模型的个数不止一个，并且数量是不固定的，而上述方法中又需要把每个模型的参数一一放进itertools.chain(）函数中，所以一开始把多个模型的参数统一放进一个列表中，然后把列表传入itertools.chain(）函数，但是并不可以，原因是优化器需要传入的参数是一组tensor，但是采用上述方法传入的是Module.parameters的对象，所以此路不通。
考虑到list(net.parameters())实际上就是将Module.parameters解析成模型参数张量的列表，那么直接对参数进行组合：