pytorch 实现打印模型的参数值
对于简单的网络
例如全连接层Linear
可以使用以下方法打印linear层:
fc = nn.Linear(3, 5) params = list(fc.named_parameters()) print(params.__len__()) print(params[0]) print(params[1])
输出如下:
由于Linear默认是偏置bias的,所有参数列表的长度是2。第一个存的是全连接矩阵,第二个存的是偏置。
对于稍微复杂的网络
例如MLP
mlp = nn.Sequential( nn.Dropout(p=0.3), nn.Linear(1024, 256), nn.Linear(256, 64), nn.Linear(64, 16), nn.Linear(16, 1) ) params = list(mlp.named_parameters()) print(params.__len__()) print(params[0]) print(params[1]) print(params[2]) print(params[3])
输出:
可以发现,堆叠起来的网络,参数是依次放置的。先是全连接的权重,然后偏置。然后是下一层网络的权重+偏置。依次进行下去。
这里有4层fc,4*2=8.所以一共有8个参数矩阵。
以上这篇pytorch 实现打印模型的参数值就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。
相关文章
tensorflow: variable的值与variable.read_value()的值区别详解
今天小编就为大家分享一篇tensorflow: variable的值与variable.read_value()的值区别详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧2018-07-07python数据可视化之matplotlib.pyplot基础以及折线图
不论是数据挖掘还是数据建模,都免不了数据可视化的问题,对于Python来说,Matplotlib是最著名的绘图库,它主要用于二维绘图,这篇文章主要给大家介绍了关于python数据可视化之matplotlib.pyplot基础以及折线图的相关资料,需要的朋友可以参考下2021-07-07pytorch中tensor.expand()和tensor.expand_as()函数详解
今天小编就为大家分享一篇pytorch中tensor.expand()和tensor.expand_as()函数详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧2019-12-12
最新评论