【已解决 含代码调试分析pytorch】torch.nn.Module的load_state_dict函数加载模型的参数字典，加载自定义某个层的weight和bias (1)

嘿，你能搜索到这个问题，说明你说一个认真学习的同学，这个问题的细节值得思考。

欢迎收藏，会持续更新。请仔细看后面的调试界面。

---

本文属于pytorch高级知识，有点难度，请仔细看分析。

load_state_dict函数，它用于加载模型的参数字典。

先上代码，

print('岸芷汀兰 Pytorch人工智能大模型')
import torch
import torch.nn as nn


class My_Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.my_fc_0 = nn.Linear(5, 2)
        self.my_fc_1 = nn.Linear(2, 1)
    def forward(self, x):
        x = self.my_fc_0(x)
        x = self.my_fc_1(x)
        return x


model = My_Net()


print(model.state_dict())

# 创建一个新的参数字典
new_state_dict = {'my_fc_0.weight': torch.ones(2, 5), 'my_fc_0.bias': torch.randn(2),
                    'my_fc_1.weight': torch.ones(1,2), 'my_fc_1.bias': torch.randn(1)

                  }

model.load_state_dict(new_state_dict)


print(model.state_dict())


print(model)


if __name__ == '__main__':
    print('岸芷汀兰 Pytorch人工智能大模型')
    print("end")

整体运行结果

岸芷汀兰 Pytorch人工智能大模型
OrderedDict([('my_fc_0.weight', tensor([[-0.3370,  0.1341,  0.0327,  0.2865, -0.1117],
        [ 0.1662, -0.0078,  0.0440, -0.2933,  0.2332]])), ('my_fc_0.bias', tensor([ 0.1143, -0.1238])), ('my_fc_1.weight', tensor([[ 0.0496, -0.3801]])), ('my_fc_1.bias', tensor([0.0751]))])
OrderedDict([('my_fc_0.weight', tensor([[1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]])), ('my_fc_0.bias', tensor([0.9425, 0.6157])), ('my_fc_1.weight', tensor([[1., 1.]])), ('my_fc_1.bias', tensor([0.4228]))])
My_Net(
  (my_fc_0): Linear(in_features=5, out_features=2, bias=True)
  (my_fc_1): Linear(in_features=2, out_features=1, bias=True)
)
岸芷汀兰 Pytorch人工智能大模型
end

分段解析

自定义模型，然后两个线性层，初始 的时候，两个线性层的参数是随机的，如下

下面自定义某个线性层的参数，特别注意，参数的字典名一定要跟模型定义的字典名一致，这才能加载到相应的模型架构。

然后将定义好的字典，通过load_state_dict，加载到模型中。

打印结果如下，因为我们使用全1，打印出来的结果是全1，

但是bias我们没有对全1，所以打印出来是随机值

调试可见模型结构的参数已经设置为我们想要的算1，实际中，我们可以根据需要，设置成想要的任何值。

欢迎【点赞关注收藏】，深度学习神经网络的内容，会持续更新，如果你遇到什么疑问，也可以评论和留言，大家共同进步。