PyTorch 核心方法：state_dict ()、parameters () 参数打印与应用

### 文章目录

[@[toc]](#文章目录 @[toc] 内容回顾模型案例 A. state_dict()方法验证 B. parameters() C. 模型结构冻结示例)
[内容回顾](#文章目录 @[toc] 内容回顾模型案例 A. state_dict()方法验证 B. parameters() C. 模型结构冻结示例)
[模型案例](#文章目录 @[toc] 内容回顾模型案例 A. state_dict()方法验证 B. parameters() C. 模型结构冻结示例)
[A. state_dict()方法验证](#文章目录 @[toc] 内容回顾模型案例 A. state_dict()方法验证 B. parameters() C. 模型结构冻结示例)
[B. parameters()](#文章目录 @[toc] 内容回顾模型案例 A. state_dict()方法验证 B. parameters() C. 模型结构冻结示例)
[C. 模型结构冻结示例](#文章目录 @[toc] 内容回顾模型案例 A. state_dict()方法验证 B. parameters() C. 模型结构冻结示例)

内容回顾

本文以 LeNet-5 模型为案例，介绍了 PyTorch 中打印模型参数的相关方法。首先展示了 LeNet-5 模型的结构定义及打印结果；随后详细说明了三种获取模型参数的方式：

state_dict()方法返回有序字典形式的可学习参数，包含参数名称和对应张量；
parameters()方法返回生成器，仅包含各层参数信息；
named_parameters()方法返回生成器，包含模型名称和对应参数信息；
最后提供了利用named_parameters()进行模型结构冻结的示例，可打印确认冻结的网络名称。

模型案例

本文以LeNet-5为基础模型，快速验证模型参数打印过程。

python 复制代码

import os 
os.environ['CUDA_VISIBLE_DEVICES'] = '3'
import torch 
import torch.nn.functional as F 
import torch.nn as nn

class LeNet5(nn.Module):
    def __init__(self):
        super(LeNet5, self).__init__()
        # 1 input image channel, 6 output channels, 5x5 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 5 * 5, 120) # 这里论文上写的是conv,官方教程用了线性层
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # Max pooling over a (2, 2) window
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # If the size is a square you can only specify a single number
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def num_flat_features(self, x):
        size = x.size()[1:]  # all dimensions except the batch dimension
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

net = LeNet5()
print(net)

模型结构打印如下。

A. state_dict()方法验证

在 PyTorch 中，state_dict() 是核心方法之一，用于以有序字典（OrderedDict）的形式返回模型 / 优化器等实例的可学习参数（或状态） ，是模型保存、加载、迁移学习的基础。
state_dict() 本质是一个 Python 字典（PyTorch 中为 OrderedDict），键为参数 / 状态的名称（字符串），值为对应的张量（torch.Tensor）。

python 复制代码

print(type(net.state_dict()))   # <class 'collections.OrderedDict'>
## 遍历打印
for model_key in net.state_dict():      # 【字典格式】的遍历，获取的是模型的名称
    print(f"{model_key}: {net.state_dict()[model_key].size()}")

对于Lenet-5模型进行打印，可以看到state_dict()的类型为 <class 'collections.OrderedDict'>，各层名称及参数尺寸如下图所示。

B. parameters()

parameters()方法也可以获取到模型的参数。可以看出，parameters()获取到的是一个生成器，其中仅包含各层参数的信息。

python 复制代码

params = net.parameters()   
print(type(params))   # <class 'generator'>  生成器  

for param in params:    
    print(param.size())   # 只包含参数信息：具体的参数尺寸

对Lenet-5进行模型参数打印。

如果也需要模型名称信息，可以使用named_parameters()方法。该方法获取的也是一个生成器，其中返回的是一个元组，包括模型名称和对应的参数。

python 复制代码

named_params = net.named_parameters()   
print(type(named_params))   # <class 'generator'>  也是一个生成器

for name, param in named_params:
    print(f"{name}: {param.size()}")   # 同时获取网络名称和网络参数

对Lenet-5进行模型名称及参数尺寸信息打印：

C. 模型结构冻结示例

该方法可以在对模型结构冻结时使用，如下述示例对模型结构m的参数进行冻结，同时打印确认冻结包含哪些网络结构。

python 复制代码

# 示例
for name, param in m.named_parameters():
	param.requires_grad = False
	print(f"Freezing layer {name}")