查看模型的权值-模型与Tensor的区别

模型：
1）conv1 = nn.Conv2d(in_ch,out_ch,kernel_size,stride,padding)
2) 继承nn.Module类 （nn.Sequence）
3）继承nn.Module类 （手写）

Tensor
1) conv1(input)
2) DoubleConv(input)

Tensor没有state_dict()方法，模型有state_dict()方法，可以查看变量

#%%

import torch
import torch.nn as nn

#%% md

#%% 单层网络模型

input = torch.arange(16,dtype=torch.float32).view([1,1,4,4])

model = nn.Conv2d(1,1,kernel_size=3,stride=1,padding=0)
print(model.state_dict())

modeldict = model.state_dict()
print(modeldict['weight'])
print(modeldict['bias'])


#%% 多层网络模型（nn.Sequence）

class DoubleConv(nn.Module):
    def __init__(self, in_ch, out_ch):
        super(DoubleConv, self).__init__()
        self.conv = nn.Sequential(                  #图像大小不变
            nn.Conv2d(in_ch, out_ch, 3, padding=1), #in_ch * w * h * t -> out_ch * w * h * t
            nn.Conv2d(out_ch, out_ch, 3, padding=1),
        )
        
    def forward(self, input):
        return self.conv(input)

#模型
model1 = DoubleConv(2,2)
print(model1.state_dict())

#%% 多层网络模型（手动）

class DoubleConv1(nn.Module):
    def __init__(self, in_ch, out_ch):
        super(DoubleConv1, self).__init__()
         #图像大小不变
        self.conv1 = nn.Conv2d(in_ch, out_ch, 3, padding=1) #in_ch * w * h * t -> out_ch * w * h * t               #in_ch * w * h * t -> out_ch * w * h * t                 #in_ch * w * h * t -> out_ch * w * h * t
        self.conv2 = nn.Conv2d(in_ch, out_ch, 3, padding=1)
        
    def forward(self, x):
        c1=self.conv1(x)        #自动调用DoubleConv类中的forward函数
        c2=self.conv2(c1)
        return c2

#模型
model2 = DoubleConv1(2,2)
print(model2.state_dict())

权值的输出我就不写了，运行代码即可