Pytorch学习（三）static_dict

在PyTorch中，一个torch.nn.Module可学习参数(即权重和偏差)。模型包含在model的参数中(使用model.parameters()访问)。state_dict只是一个Python字典对象，它将每一层映射到其参数张量。

介绍

如果您对从PyTorch保存或加载模型感兴趣，那么state_dict是一个完整的实体。因为state_dict对象是Python字典，所以可以很容易地保存、更新、修改和恢复它们，从而为PyTorch模型和优化器增加了大量的模块化。注意，只有具有可学习参数的层(卷积层、线性层等)和注册缓冲区(batchnorm s running_mean)在模型s state_dict中有条目。优化器对象(电筒.optim)也有一个state_dict，它包含关于优化器状态和使用的超参数的信息。在这个食谱中，我们将看到state_dict是如何与一个简单的模型一起使用的。

步骤

1. 导入包

2. 定义和初始化神经网络

3. 初始化优化器

4. 访问模型和优化器 state_dict

1. Import necessary libraries for loading our data

import torch
import torch.nn as nn
import torch.optim as optim

2. Define and intialize the neural network

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()
print(net)

3. Initialize the optimizer

optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

4. Access the model and optimizer state_dict

现在我们已经构造了模型和优化器，我们可以理解它们各自的state_dict属性中保留了哪些内容。

# Print model's state_dict
print("Model's state_dict:")
for param_tensor in net.state_dict():
    print(param_tensor, "\t", net.state_dict()[param_tensor].size())

print()

# Print optimizer's state_dict
print("Optimizer's state_dict:")
for var_name in optimizer.state_dict():
    print(var_name, "\t", optimizer.state_dict()[var_name])

此信息与保存和加载模型和优化器相关，以供将来使用。