PyTorch 中 state_dict 是什么

在 PyTorch 中,一个 torch.nn.Module 模型的可学习参数(即权重和偏置)包含在模型的参数中 (通过 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

如果使用 PyTorch 保存或加载模型,``state_dict`` 就是一个不可或缺的实体。 由于 state_dict 对象是 Python 字典,它们可以很容易地被保存、更新、修改和恢复,使 PyTorch 模型和优化器更好的做到了模块化。 请注意,只有具有可学习参数的层(卷积层、线性层等)和已注册的缓冲区(BatchNorm running_mean)在模型的 state_dict 中有条目。 优化器对象(torch.optim)也有一个 state_dict,它包含了优化器状态的信息,以及使用的超参数。 在本教程中,我们将看到如何在一个简单的模型中 state_dict 是如何使用的。

环境设置

在开始之前,如果还没有安装 torch,我们需要先安装它。

PyTorch 中的 state_dict 是什么

在 PyTorch 中,一个 torch.nn.Module 模型的可学习参数(即权重和偏置)包含在模型的参数中 (通过 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

如果使用 PyTorch 保存或加载模型,``state_dict`` 就是一个不可或缺的实体。 由于 state_dict 对象是 Python 字典,它们可以很容易地被保存、更新、修改和恢复,使 PyTorch 模型和优化器更好的做到了模块化。 请注意,只有具有可学习参数的层(卷积层、线性层等)和已注册的缓冲区(BatchNorm running_mean)在模型的 state_dict 中有条目。 优化器对象(torch.optim)也有一个 state_dict,它包含了优化器状态的信息,以及使用的超参数。 在本教程中,我们将看到如何在一个简单的模型中 state_dict 是如何使用的。

环境设置

在开始之前,如果还没有安装 torch,我们需要先安装它。

pip install torch

具体步骤

1. 导入加载数据所需的所有必要库

2. 定义和初始化神经网络

3. 初始化优化器

4. 访问模型和优化器的 state_dict

1. Import necessary libraries for loading our data 1. 导入加载数据所需的必要库 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

对于本教程,我们将使用 torch 及其子模块 torch.nn 和 torch.optim。

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

2. 定义并初始化神经网络

为了演示，我们将创建一个用于训练图像的神经网络。要了解更多信息，请参阅定义神经网络的教程。

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. 初始化优化器

我们使用 SGD 优化器

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

4. 访问模型和优化器的 state_dict

Now that we have constructed our model and optimizer, we can understand what is preserved in their respective state_dict properties.

现在我们已经构建了模型和优化器,我们可以了解它们各自的 state_dict 属性中保存了什么。

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:")
for var_name in optimizer.state_dict():
    print(var_name, "\t", optimizer.state_dict()[var_name])

这些信息对于将来保存和加载模型和优化器很有用。

祝贺你!你已经成功使用了 PyTorch 中的 state_dict。

学习更多

查看这些其他教程,继续你的学习:

• 在 PyTorch 中保存和加载模型用于推理

• 在 PyTorch 中保存和加载通用检查点