angularjs中state的参数4_Day167:pytorch获取模型某一层参数名及参数值

男娘i 2023-01-03 09:17 113阅读 0赞

又是一年七夕节，虽然很无聊，但是，还是要学习，书山有路勤为径，学海无涯苦作舟，每天的一小步，慢慢积累成一大步，要加油，要奋斗，要努力，希望自己可以向优秀的人靠近，fighting！

from torch import nnimport torch# creat a simple modelmodel = nn.Sequential(               # 输入灰度图：(1, 1, 6, 6)    # N = C = 1       H = W =6    nn.Conv2d(1, 4, kernel_size=2),  # (6-2+0)/1 + 1 = 5 ，经过卷积的输出为(1,3,5,5)    nn.Conv2d(4, 2, kernel_size=2))  # (5-3+0)/1 + 1 = 3 , 经过卷积的输出为(1,2,3,3)print('*'*20+'model的信息'+'*'*20)print(model)                                    # Sequential(                                    #   (0): Conv2d(1, 4, kernel_size=(2, 2), stride=(1, 1))                                    #   (1): Conv2d(4, 2, kernel_size=(2, 2), stride=(1, 1))                                    # )input = torch.randn(1, 1, 6, 6)    # N = C = 1       H = W =6if torch.cuda.is_available():    print('cuda is avaliable')    model.cuda()    input = input.cuda()################################################################################## 打印某一层的参数名#################################################################################print('打印某一层的参数名')for name in model.state_dict():     # 打印model中所有参数名，但是不打印具体值    print(name)                      # 0.weight、0.bias           1.weight、1.bias# schemem1(recommended)print('*'*20 + 'scheme_1' + '*'*20)# 第二个卷积的输出维度是2，输入维度是4，且卷积核的大小为(2,2),所以层的参数为torch.Size([2, 4, 2, 2])print(model.state_dict()['1.weight'].size())# print(model.state_dict()['1.weight'])         # 取值print()# scheme2print('*'*20 + 'scheme_2' + '*'*20)params = list(model.named_parameters())  # 类似于params = [0.weight:{Parameter}, 0.bias:{}, 1.weight:{}, 1.bias:{}]print(params[2][0])                     # name：1.weight# print(params[2][1])        # data：由于value是封装好的Parameter参数，会输出tensor，有data与requires_grad等属性# print(params[2][1].data)   # data：会输出tensor，从封装好的对象中直接取出data，没有requires_gradprint()# scheme3print('*'*20 + 'scheme_3' + '*'*20)params = {}  # change the tpye of 'generator' into dictfor name, param in model.named_parameters():    params[name] = param.detach().cpu().numpy()     # 将tensor转化为numpy# type：    size： (4, 1, 2, 2) 第一个卷积层，输出维度是4，输入维度是1，卷积核大小为2*2print('type：',type(params['0.weight']), '  size：',params['0.weight'].shape)# print(params['0.weight']) # 值被转换为value了print()# scheme4print('*'*20 + 'scheme_4' + '*'*20)for layer in model.modules():    if (isinstance(layer, nn.Conv2d)):        print('weight_size: ',layer.weight.size())  # 先是：torch.Size([4, 1, 2, 2])   再是：torch.Size([2, 4, 2, 2])        # print(layer.weight)     # value是封装好的Parameter参数，会输出tensor，有data与requires_grad等属性        print('bias_size: ',layer.bias.size())      # 先是：torch.Size([4])            再是：torch.Size([2])        # print(layer.bias)       # value是封装好的Parameter参数，会输出tensor，有data与requires_grad等属性        print('$'*15)print()################################################################################## 打印每一层的参数名和参数值#################################################################################print('#'*40)# schemem1(recommended)for name, param in model.named_parameters():    print(name, param)  # 先是：0.weight Parameter与0.bias Parameter    再是：1.weight Parameter与1.bias Parameter    print('&'*15)# scheme2print('#'*40)for name in model.state_dict():    print(name)     # 依次为：0.weight  0.bias  1.weight  1.bias    print('类型为：',type(model.state_dict()[name])) # 类型均为：    print(model.state_dict()[name])     # 取值时，是从Parameter中取出了data，没有别的属性了    print('@'*15)

![fd64c390c3402a76742c6c959b223b28.png][]

[fd64c390c3402a76742c6c959b223b28.png]: /images/20221119/dcfeda896abe4047adeaff373f8a84df.png