PyTorch如何利用parameters()获取模型参数
更新时间：2023年09月12日 08:46:55 作者：玉笛仙踪
这篇文章主要介绍了PyTorch如何利用parameters()获取模型参数问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
利用parameters()获取模型参数
在PyTorch中，可以使用parameters函数来获取模型中的所有可学习参数。
以下是一个示例：
import torch.nn as nn class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.fc1 = nn.Linear(10, 5) self.fc2 = nn.Linear(5, 1) def forward(self, x): x = self.fc1(x) x = self.fc2(x) return x model = MyModel() params = list(model.parameters())
在这个示例中，我们首先定义了一个包含两个线性层的神经网络，然后通过list(model.parameters())获取了模型中的所有可学习参数。
这些参数存储在一个Python列表中，可以用于进行优化器的初始化和模型的保存和加载。
PyTorch中模型的parameters()方法
首先先定义一个模型:
import torch as t import torch.nn as nn class A(nn.Module): def __init__(self): super().__init__() self.conv1 = nn.Conv2d(2, 2, 3) self.conv2 = nn.Conv2d(2, 2, 3) self.conv3 = nn.Conv2d(2, 2, 3) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x) return x
然后打印出该模型的参数：
pythona = A() print(a.parameters()) #<generator object Module.parameters at 0x7f7b740d2360>
以上代码说明parameters()会返回一个生成器（迭代器）
然后将其迭代打印出来：
print(list(a.parameters()))：#将迭代器转换成列表 Parameter containing: tensor([[[[-0.0299, 0.0891, 0.0303], [ 0.0869, -0.0230, -0.1760], [ 0.1408, 0.0348, 0.1795]], [[ 0.2001, 0.0023, -0.1775], [ 0.0947, -0.0231, -0.1756], [ 0.1201, -0.0997, -0.0303]]], [[[-0.0425, 0.0748, -0.1754], [-0.1191, -0.1203, -0.1219], [-0.0794, 0.0895, -0.1719]], [[ 0.1968, -0.0463, 0.0550], [-0.0386, 0.1594, 0.1282], [-0.0009, 0.2167, -0.1783]]]], requires_grad=True) Parameter containing: tensor([ 0.0147, -0.0406], requires_grad=True) Parameter containing: tensor([[[[-0.0578, -0.1114, -0.1194], [-0.1469, -0.1175, -0.1616], [-0.2289, -0.0975, -0.1700]], [[-0.0894, 0.0074, 0.1222], [-0.0176, -0.0509, 0.1622], [-0.0405, -0.1349, 0.1782]]], [[[-0.0739, 0.2167, 0.1864], [ 0.0956, -0.1761, 0.0464], [ 0.0062, -0.0685, 0.0748]], [[ 0.1085, 0.1481, 0.1334], [ 0.2236, -0.0706, -0.0224], [ 0.0079, -0.1835, -0.0407]]]], requires_grad=True) Parameter containing: tensor([-8.0720e-05, 1.6026e-01], requires_grad=True) Parameter containing: tensor([[[[-0.0702, 0.1846, 0.0419], [-0.1891, -0.0893, -0.0024], [-0.0349, -0.0213, 0.0936]], [[-0.1062, 0.1242, 0.0391], [-0.1924, 0.0535, -0.1480], [ 0.0400, -0.0487, -0.2317]]], [[[ 0.1202, 0.0961, 0.2336], [ 0.2225, -0.2294, -0.2283], [-0.0963, -0.0311, -0.2354]], [[ 0.0676, -0.0439, -0.0962], [-0.2316, -0.0639, -0.0671], [ 0.1737, -0.1169, -0.1751]]]], requires_grad=True) Parameter containing: tensor([-0.1939, -0.0959], requires_grad=True)
从以上结果可以看出列表中有6个元素，由于nn.Conv2d()的参数包括self.weight和self.bias两部分，所以每个2D卷积层包括两部分的参数．注意self.bias是加在每个通道上的，所以self.bias的长度与output_channl相同
心得：
parameters()会返回一个生成器（迭代器），生成器每次生成的是Tensor类型的数据．
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。
相关文章
这篇文章主要介绍了Python中的切片函数Slice详解,切片是对有序的集合而言,意思从有序集合里提取数据构成子集集合,给定提取的起点start、终点end以及方向上的步长step,能否切出非空子集,起点start需能沿步长方向上到达终点,需要的朋友可以参考下2023-09-09
这篇文章主要介绍了Python对图片进行resize、裁剪、旋转、翻转问题，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2023-05-05
Python的数据可视化是将数据以图形或图表的形式呈现,使复杂的信息更易于理解和分析,本文给大家详细介绍了python数据可视化的实现,文中通过图文结合的方式介绍的非常详细,需要的朋友可以参考下2024-06-06
在python中获取div的文本内容并和想定结果进行对比详解
今天小编就为大家分享一篇在python中获取div的文本内容并和想定结果进行对比详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-01-01
这篇文章主要介绍了Python进程间通信Queue消息队列用法,结合实例形式分析了基于Queue的进程间通信相关操作技巧与使用注意事项,需要的朋友可以参考下2019-05-05
这篇文章主要介绍了python 引用传递和值传递详解(实参,形参)。具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-06-06
exec函数执行的是python语句，没有返回值，eval函数执行的是python表达式，有返回值，exec函数和eval函数都可以传入命名空间作为参数，本文给大家介绍下Python eval()和exec()函数，感兴趣的朋友跟随小编一起看看吧2022-11-11
在Python中经常使用matplotlib画图,为了让图像显示的更加好看,经常需要对图表点、线形状及颜色进行设置,下面这篇文章主要给大家介绍了关于python中matplotlib的颜色以及形状的相关资料,需要的朋友可以参考下2022-01-01
这篇文章主要为大家详细介绍了python2.7实现复制大量文件及文件夹资料，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2019-08-08
天际线（SkyLine）顾名思义就是天空与地面的边界线,这篇文章主要为大家介绍了如何使用Python实现处理图片并实现生成天际线,感兴趣的可以了解下2024-01-01
最新评论