【pytorch】named_parameters()和parameters()

最新推荐文章于 2024-09-19 16:26:53 发布
最新推荐文章于 2024-09-19 16:26:53 发布
阅读量3.4w 收藏 82
点赞数 41
分类专栏： pytorch 文章标签： pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36530992/article/details/102729585
版权

nn.Module

nn.Module里面关于参数有两个很重要的属性named_parameters()和parameters()，前者给出网络层的名字和参数的迭代器，而后者仅仅是参数的迭代器。

import torchvision.models as models
model = models.resnet18()
for param in model.named_parameters():
    print(param[0])
'''
conv1.weight
bn1.weight
bn1.bias
layer1.0.conv1.weight
layer1.0.bn1.weight
layer1.0.bn1.bias
layer1.0.conv2.weight
layer1.0.bn2.weight
layer1.0.bn2.bias
layer1.1.conv1.weight
layer1.1.bn1.weight
layer1.1.bn1.bias
layer1.1.conv2.weight
layer1.1.bn2.weight
layer1.1.bn2.bias
layer2.0.conv1.weight
layer2.0.bn1.weight
layer2.0.bn1.bias
layer2.0.conv2.weight
layer2.0.bn2.weight
layer2.0.bn2.bias
layer2.0.downsample.0.weight
layer2.0.downsample.1.weight
layer2.0.downsample.1.bias
layer2.1.conv1.weight
layer2.1.bn1.weight
layer2.1.bn1.bias
layer2.1.conv2.weight
layer2.1.bn2.weight
layer2.1.bn2.bias
layer3.0.conv1.weight
layer3.0.bn1.weight
layer3.0.bn1.bias
layer3.0.conv2.weight
layer3.0.bn2.weight
layer3.0.bn2.bias
layer3.0.downsample.0.weight
layer3.0.downsample.1.weight
layer3.0.downsample.1.bias
layer3.1.conv1.weight
layer3.1.bn1.weight
layer3.1.bn1.bias
layer3.1.conv2.weight
layer3.1.bn2.weight
layer3.1.bn2.bias
layer4.0.conv1.weight
layer4.0.bn1.weight
layer4.0.bn1.bias
layer4.0.conv2.weight
layer4.0.bn2.weight
layer4.0.bn2.bias
layer4.0.downsample.0.weight
layer4.0.downsample.1.weight
layer4.0.downsample.1.bias
layer4.1.conv1.weight
layer4.1.bn1.weight
layer4.1.bn1.bias
layer4.1.conv2.weight
layer4.1.bn2.weight
layer4.1.bn2.bias
fc.weight
fc.bias
'''
Hanawh
关注
专栏目录
pytorch中Module模块中named_parameters函数
qq_24503095的博客
12-20 6680
函数named_parameters()，返回各层中参数名称和数据 class MLP(nn.Module): def __init__(self): super(MLP, self).__init__() self.hidden = nn.Sequential( nn.Linear(256,64), nn.R...
Pytorch children()、modules()、named_children()、named_modules()、parameters()、named_parameters()使用说明
m0_46093829的博客
12-03 1084
Pytorch children()、modules()、named_children()、named_modules()、parameters()、named_parameters()使用说明
pytorch笔记：named_parameters
qq_40206371的博客
06-26 550
可以使用。
model.named_parameters()和model.parameters()查看模型的参数和结构
最新发布
u014439531的博客
09-19 332
model.named_parameters()和model.parameters()查看模型的参数和结构
pytorch中state_dict()和named_parameters()的差别，以及model.buffer/model.parameter
谁谓荼苦，其甘如荠
11-27 5999
在使用pytorch过程中，我发现了torch中存在3个功能极其类似的方法，它们分别是model.parameters()、model.named_parameters()和model.state_dict()，下面就具体来说说这三个函数的差异 首先，说说比较接近的model.parameters()和model.named_parameters()。这两者唯一的差别在于，named_parameters()返回的list中，每个元祖打包了2个内容，分别是layer-name和layer-param，而pa
【pytorch】named_parameters()、parameters()、state_dict()==＞给出网络的名字和参数的迭代器
MOL
06-08 1万+
torch中存在3个功能极其类似的方法，它们分别是model.parameters()、model.named_parameters()、model.state_dict()，下面就具体来说说这三个函数的差异： 1.首先，说说比较接近的model.parameters()和model.named_parameters()。这两者唯一的差别在于， named_parameters()返回的list中，每个元组（与list相似，只是数据不可修改）打包了2个内容，分别是layer-name和layer-para
pytorch model.named_parameters() ,model.parameters() ,model.state_dict().items()
热门推荐
u013548568的博客
11-20 3万+
1、model.named_parameters()，迭代打印model.named_parameters()将会打印每一次迭代元素的名字和param for name, param in model.named_parameters(): print(name,param.requires_grad) param.requires_grad=False 2、model.named_para...
pytorch中children()modules()，named_children()，named_modules()，named_parameters()，parameters()的使用
qqyouhappy的博客
05-19 950
class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() layer1 = nn.Sequential() #class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) ...
Module.named_parameters()、Module.named_children()与Module.named_modules()的区别
qq_41563738的博客
11-06 2488
在代码里面输出一下子： import torch import torch.nn as nn class Net(nn.Module): def __init__(self): super().__init__() self.fc1 = nn.Linear(3, 4) self.relu1 = nn.ReLU() se...
Pytorch中查看模型参数信息, net.parameters()、net.named_parameters(), net.layer.parameters()等,末尾有，Variable，hook
weixin_52218650的博客
09-29 1649
model,variable,parameter,hook,autograd,parameter,pdb
torch.nn.Module.named_parameters ()
weixin_36670529的博客
04-30 1161
named_parameters(prefix='', recurse=True)[source] 返回模块参数上的迭代器，生成参数的名称和参数本身。 参数： prefix (str) – 在所有参数名称前加上前缀。 recurse (bool) – 如果为真，则生成此模块和所有子模块的参数。否则，只生成此模块的直接成员的参数。 生产量： (string, Parameter) – 包含名称和参数的元组 例： >>> for name, param in s
【torch】parameters与named_parameters的区别
orDream的博客
10-05 797
此示例属于从nn.Module中继承的成员函数。从名称上看，比parameters多了个named，已经能够显示出本质区别来了。
Pytorch-模型参数：named_parameters()、parameters()、state_dict()区别
u013250861的博客
05-04 8950
torch中存在3个功能极其类似的方法，它们分别是model.parameters()、model.named_parameters()、model.state_dict()，下面就具体来说说这三个函数的差异： 一、model.parameters()和model.named_parameters()差别 named_parameters()返回的list中，每个元组（与list相似，只是数据不可修改）打包了2个内容，分别是layer-name和layer-param（网络层的名字和参数的迭代器）； pa
Pytorch named_parameters()和parameters()
qq_43183860的博客
12-19 543
Pytorch 中的 net.named_parameters() 和 net.parameters()
Z2572862506的博客
01-12 1131
Pytorch 中的 net.named_parameters() 和 net.parameters()
pytorch中的model.named_parameters()与model.parameters()
分享技术笔记，记录学习研发历程
05-21 1万+
参考链接：https://www.cnblogs.com/yqpy/p/12585331.html model.named_parameters() 迭代打印model.named_parameters()将会打印每一次迭代元素的名字和param。 for name, param in net.named_parameters(): print(name,param.requires_grad) param.requires_grad = False 输出结果为 conv_1_
model.named_parameters()与model.parameters()函数的区别
Kelly_Ai_Bai的博客
12-04 979
model.parameters()函数与model.named_parameters()函数的区别
Pytorch net.parameters() net.named_parameters()
weixin_44317740的博客
03-03 7071
Pytorch net.named_parameters（） net.parameters（）LeNet网络代码netnet.named_parameters()net.parameters() LeNet网络代码 import torch.nn as nn class LeNet(nn.Module): def __init__(self): super().__ini...
named_parameters()
03-16
`named_parameters()` 是 PyTorch 中一个用于获取神经网络模型参数的方法。它返回一个包含模型中所有参数名称及其对应参数张量的迭代器。 以下是一个简单的示例： ```python import torch import torch.nn as nn class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.fc1 = nn.Linear(10, 5) self.fc2 = nn.Linear(5, 2) def forward(self, x): x = self.fc1(x) x = self.fc2(x) return x model = MyModel() for name, param in model.named_parameters(): print(name, param.shape) ``` 上述代码创建了一个简单的神经网络模型 `MyModel`，它包含两个线性层。在迭代模型中的参数时，我们可以使用 `named_parameters()` 方法来获取每个参数的名称和形状。输出应该如下所示： ``` fc1.weight torch.Size([5, 10]) fc1.bias torch.Size([5]) fc2.weight torch.Size([2, 5]) fc2.bias torch.Size([2]) ``` 每个参数名称由其层名称和参数类型组成，例如 `fc1.weight` 表示第一个线性层的权重参数。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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