pytorch中的model.named_parameters()与model.parameters()

参考链接：https://www.cnblogs.com/yqpy/p/12585331.html

model.named_parameters()

迭代打印model.named_parameters()将会打印每一次迭代元素的名字和param。

model = DarkNet([1, 2, 8, 8, 4])
for name, param in model.named_parameters():print(name,param.requires_grad)param.requires_grad = False

输出结果为

conv1.weight True
bn1.weight True
bn1.bias True
layer1.ds_conv.weight True
layer1.ds_bn.weight True
layer1.ds_bn.bias True
layer1.residual_0.conv1.weight True
layer1.residual_0.bn1.weight True
layer1.residual_0.bn1.bias True
layer1.residual_0.conv2.weight True
layer1.residual_0.bn2.weight True
layer1.residual_0.bn2.bias True
layer2.ds_conv.weight True
layer2.ds_bn.weight True
layer2.ds_bn.bias True
layer2.residual_0.conv1.weight True
layer2.residual_0.bn1.weight True
layer2.residual_0.bn1.bias True
....

并且可以更改参数的可训练属性，第一次打印是True，这是第二次，就是False了

model.parameters()

迭代打印model.parameters()将会打印每一次迭代元素的param而不会打印名字，这是它和named_parameters的区别，两者都可以用来改变requires_grad的属性。

for index, param in enumerate(model.parameters()):print(param.shape)

输出结果为

torch.Size([32, 3, 3, 3])
torch.Size([32])
torch.Size([32])
torch.Size([64, 32, 3, 3])
torch.Size([64])
torch.Size([64])
torch.Size([32, 64, 1, 1])
torch.Size([32])
torch.Size([32])
torch.Size([64, 32, 3, 3])
torch.Size([64])
torch.Size([64])
torch.Size([128, 64, 3, 3])
torch.Size([128])
torch.Size([128])
torch.Size([64, 128, 1, 1])
torch.Size([64])
torch.Size([64])
torch.Size([128, 64, 3, 3])
torch.Size([128])
torch.Size([128])
torch.Size([64, 128, 1, 1])
torch.Size([64])
torch.Size([64])
torch.Size([128, 64, 3, 3])
torch.Size([128])
torch.Size([128])
torch.Size([256, 128, 3, 3])
torch.Size([256])
torch.Size([256])
torch.Size([128, 256, 1, 1])
....

将两者结合进行迭代，同时具有索引，网络层名字及param

 for index, (name, param) in zip(enumerate(model.parameters()), model.named_parameters()):print(index[0])print(name, param.shape)

输出结果为

0
conv1.weight torch.Size([32, 3, 3, 3])
1
bn1.weight torch.Size([32])
2
bn1.bias torch.Size([32])
3
layer1.ds_conv.weight torch.Size([64, 32, 3, 3])
4
layer1.ds_bn.weight torch.Size([64])
5
layer1.ds_bn.bias torch.Size([64])
6
layer1.residual_0.conv1.weight torch.Size([32, 64, 1, 1])
7
layer1.residual_0.bn1.weight torch.Size([32])
8
layer1.residual_0.bn1.bias torch.Size([32])
9
layer1.residual_0.conv2.weight torch.Size([64, 32, 3, 3])

pytorch中的model.named_parameters()与model.parameters()相关推荐

model.named_parameters()与model.parameters()
model.named_parameters() 迭代打印model.named_parameters()将会打印每一次迭代元素的名字和param. 并且可以更改参数的可训练属性 from torch ...
model.state_dict和model.parameters和model.named_parameters区别
model.state_dict和model.parameters和model.named_parameters区别在pytorch中,针对model,有上述方法,他们都包含模型参数,但是他们有些区 ...
详解Pytorch中的requires_grad、叶子节点与非叶子节点、with torch.no_grad()、model.eval()、model.train()、BatchNorm层
requires_grad requires_grad意为是否需要计算梯度使用backward()函数反向传播计算梯度时,并不是计算所有tensor的梯度,只有满足下面条件的tensor的梯度才会被 ...
Pytorch中的model.modules()和model.children()的区别
Pytorch中的model.modules()和model.children()的区别背景:最近在做网络模型中可视化的过程中,需要将网络结构中的某一层的特征进行输出.所以就遇到了这个问题,小小记录 ...
pytorch中model.eval的作用
pytorch中model.eval()的作用问题描述: torch.onnx.export()导出onnx模型后,利用onnxruntime加载onnx模型后,其输出结果与原始.pth模型的输出结 ...
pytorch中的parameters
pytorch中的parameters 在模型中,会出现model.parameters()与model.state_dict() 前者用于优化器的初始化,后者多用于模型的保存 #initialize ...
model.parameters()，model.state_dict()，model .load_state_dict()以及torch.load()
一.model.parameters()与model.state_dict() model.parameters()与model.state_dict()都是Pytorch中用于查看网络参数的方法一 ...
Pytorch：optim.zero_grad()、pred=model(input)、loss=criterion(pred,tgt)、loss.backward()、optim.step()的作用
在用pytorch训练模型时,通常会在遍历epochs的每一轮batach的过程中依次用到以下三个函数 optimizer.zero_grad(): loss.backward(): optimize ...
pytorch的训练测试流程总结，以及model.evel()， model.train()，torch.no_grad()作用
pytorch的 model.eval()和model.train()作用 pytorch中model.train()和model.eval()的区别主要在于Batch Normalization和D ...

pytorch中的model.named_parameters()与model.parameters()

model.named_parameters()

model.parameters()

将两者结合进行迭代，同时具有索引，网络层名字及param

pytorch中的model.named_parameters()与model.parameters()相关推荐

最新文章

热门文章