我在读pyTorch文档（四）

最新推荐文章于 2024-08-12 04:15:00 发布

aiqiu_gogogo

最新推荐文章于 2024-08-12 04:15:00 发布

阅读量2.7k

点赞数 3

分类专栏： pytorch学习文章标签： pytorch学习

本文链接：https://blog.csdn.net/aiqiu_gogogo/article/details/78645887

版权

torch.nn.Module

打印所有子模块：

for sub_module in model.children():
    print(sub_module)

按照名字打印子模块：

for name, module in model.named_children():
    if name in ['conv4', 'conv5']:
        print(module)

打印所有模块：

for module in model.modules():
    print(module)

按照名字打印所有模块：

for name, module in model.named_modules():
    if name in ['conv4', 'conv5']:
        print(module)

打印模型所有参数：

for param in model.parameters():
    print(type(param.data), param.size())

打印模型所有参数名字：

model.state_dict().keys()

model.cpu()：将模型复制到CPU上；
model.cuda()：将模型复制到GPU上；
model.double()：将模型数据类型转换为double；
model.eval()：将模型设置成test模式，仅仅当模型中有Dropout和BatchNorm是才会有影响；
model.float()：将模型数据类型转换为float；
model.half()：将模型数据类型转换为half；
model.load_state_dict(state_dict)：用来加载模型参数，将state_dict中的parameters和buffers复制到此module和它的后代中，state_dict中的key必须和model.state_dict()返回的key一致；
model.state_dict()：返回一个字典，保存着module的所有状态；
model.train()：将模型设置为训练模式；
model.zero_grad()：将模型中的所有模型参数的梯度设置为0；

torch.nn.Sequential

时序模型例子

model = nn.Sequential(
          nn.Conv2d(1,20,5),
          nn.ReLU(),
          nn.Conv2d(20,64,5),
          nn.ReLU()
        )
##################or##################
model = nn.Sequential(OrderedDict([
          ('conv1', nn.Conv2d(1,20,5)),
          ('relu1', nn.ReLU()),
          ('conv2', nn.Conv2d(20,64,5)),
          ('relu2', nn.ReLU())
        ]))

卷积层

一维卷积：
torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
输入输出尺寸关系： $L_{out}=floor((L_{in}+2padding-dilation(kernerlSize-1)-1)/stride+1)$
二维卷积：
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
输入输出尺寸关系： $H_{out}=floor((H_{in}+2padding[0]-dilation[0](kernerlSize[0]-1)-1)/stride[0]+1)$ $W_{out}=floor((W_{in}+2padding[1]-dilation[1](kernerlSize[1]-1)-1)/stride[1]+1)$
三维卷积：
torch.nn.Conv3d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
输入输出尺寸关系： $D_{out}=floor((D_{in}+2padding[0]-dilation[0](kernerlSize[0]-1)-1)/stride[0]+1)$ Hout=floor((Hin+2pad