打印查看pytorch 的神经网络模型及参数

打印查看pytorch 的神经网络模型及参数

net = resnet()#实例化网络
for parameters in net.parameters():#打印出参数矩阵及值
        print(parameters)

for name, parameters in net.named_parameters():#打印出每一层的参数的大小
       print(name, ':', parameters.size())

for param_tensor in net.state_dict():  # 字典的遍历默认是遍历 key,所以param_tensor实际上是键值
        print(param_tensor, '\t', net.state_dict()[param_tensor].size())

打印查看网络参考这个链接

具体的两个有什么不同如下链接进行了比较state_dict和parameters两个方法的差异比较

  • 10
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
PyTorch 中,定义神经网络模型的方法有以下几步: 1. 导入必要的库 ``` import torch import torch.nn as nn import torch.nn.functional as F ``` 2. 定义模型类 ``` class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 定义各种层 self.conv1 = nn.Conv2d(1, 6, 3) self.conv2 = nn.Conv2d(6, 16, 3) self.fc1 = nn.Linear(16 * 6 * 6, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): # 定义前向传播 x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) x = F.max_pool2d(F.relu(self.conv2(x)), 2) x = x.view(-1, self.num_flat_features(x)) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x def num_flat_features(self, x): # 辅助函数,计算特征数量 size = x.size()[1:] num_features = 1 for s in size: num_features *= s return num_features ``` 3. 实例化模型 ``` net = Net() ``` 4. 定义损失函数和优化器 ``` criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) ``` 5. 训练模型 ``` for epoch in range(2): # 多次迭代 running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() # 清除梯度缓存 outputs = net(inputs) # 正向传播 loss = criterion(outputs, labels) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 更新参数 running_loss += loss.item() if i % 2000 == 1999: # 每 2000 次迭代打印一次损失 print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 2000)) running_loss = 0.0 ``` 6. 保存模型 ``` PATH = './cifar_net.pth' torch.save(net.state_dict(), PATH) ``` 以上是 PyTorch 中定义神经网络模型的基本方法,具体实现可以根据实际需求进行更改。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值