PyTorch 中的 state_dict 是什么

创建于: 2020年4月17日 | 最后更新于: 2024年2月6日 | 最后验证于: 2024年11月5日

在 PyTorch 中，torch.nn.Module 模型的可学习参数（即权重和偏置）包含在模型的参数中（通过 model.parameters() 访问）。state_dict 只是一个 Python 字典对象，它将每一层映射到其参数张量。

引言

如果你对在 PyTorch 中保存或加载模型感兴趣，那么 state_dict 是一个不可或缺的实体。由于 state_dict 对象是 Python 字典，因此可以轻松地保存、更新、修改和恢复它们，这为 PyTorch 模型和优化器增加了极大的模块化。请注意，只有具有可学习参数（卷积层、线性层等）和已注册 buffer（批归一化的 running_mean）的层才会在模型的 state_dict 中有条目。优化器对象 (torch.optim) 也有一个 state_dict，其中包含有关优化器状态以及使用的超参数的信息。在本秘籍中，我们将看到 state_dict 如何与一个简单模型一起使用。

设置

在我们开始之前，如果尚未安装 torch，我们需要进行安装。

pip install torch

步骤

1. 导入加载数据所需的所有库

2. 定义并初始化神经网络

3. 初始化优化器

4. 访问模型和优化器的 state_dict

1. 导入加载数据所需的库

对于本秘籍，我们将使用 torch 及其子模块 torch.nn 和 torch.optim。

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

2. 定义并初始化神经网络

为了举例说明，我们将创建一个用于训练图像的神经网络。要了解更多信息，请参阅 定义神经网络 秘籍。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()
print(net)

3. 初始化优化器

我们将使用带有动量的 SGD。

optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

4. 访问模型和优化器的 state_dict

现在我们已经构建了模型和优化器，我们可以了解它们各自的 state_dict 属性中保留了什么信息。

# Print model's state_dict
print("Model's state_dict:")
for param_tensor in net.state_dict():
    print(param_tensor, "\t", net.state_dict()[param_tensor].size())

print()

# Print optimizer's state_dict
print("Optimizer's state_dict:")
for var_name in optimizer.state_dict():
    print(var_name, "\t", optimizer.state_dict()[var_name])

这些信息对于将来保存和加载模型及优化器非常重要。

恭喜！您已成功在 PyTorch 中使用了 state_dict。

了解更多

查阅以下其他秘籍以继续学习

• 在 PyTorch 中保存和加载模型以进行推理

• 在 PyTorch 中保存和加载通用检查点