如何在pytorch中解決state_dict()的拷貝問題-創(chuàng)新互聯(lián)

如何在pytorch中解決state_dict()的拷貝問題？很多新手對此不是很清楚，為了幫助大家解決這個(gè)難題，下面小編將為大家詳細(xì)講解，有這方面需求的人可以來學(xué)習(xí)下，希望你能有所收獲。

10多年的盈江網(wǎng)站建設(shè)經(jīng)驗(yàn)，針對設(shè)計(jì)、前端、開發(fā)、售后、文案、推廣等六對一服務(wù)，響應(yīng)快，48小時(shí)及時(shí)工作處理。全網(wǎng)營銷推廣的優(yōu)勢是能夠根據(jù)用戶設(shè)備顯示端的尺寸不同，自動調(diào)整盈江建站的顯示方式，使網(wǎng)站能夠適用不同顯示終端，在瀏覽器中調(diào)整網(wǎng)站的寬度，無論在任何一種瀏覽器上瀏覽網(wǎng)站，都能展現(xiàn)優(yōu)雅布局與設(shè)計(jì)，從而大程度地提升瀏覽體驗(yàn)。創(chuàng)新互聯(lián)建站從事“盈江網(wǎng)站設(shè)計(jì)”,“盈江網(wǎng)站推廣”以來，每個(gè)客戶項(xiàng)目都認(rèn)真落實(shí)執(zhí)行。

model.state_dict()是淺拷貝，返回的參數(shù)仍然會隨著網(wǎng)絡(luò)的訓(xùn)練而變化。

應(yīng)該使用deepcopy(model.state_dict())，或?qū)?shù)及時(shí)序列化到硬盤。

再講故事，前幾天在做一個(gè)模型的交叉驗(yàn)證訓(xùn)練時(shí)，通過model.state_dict()保存了每一組交叉驗(yàn)證模型的參數(shù)，后根據(jù)效果選擇準(zhǔn)確率很好的模型load回去，結(jié)果每一次都是最后一個(gè)模型，從地址來看，每一個(gè)保存的state_dict()都具有不同的地址，但進(jìn)一步發(fā)現(xiàn)state_dict()下的各個(gè)模型參數(shù)的地址是共享的，而我又使用了in-place的方式重置模型參數(shù)，進(jìn)而導(dǎo)致了上述問題。

補(bǔ)充：pytorch中state_dict的理解

在PyTorch中，state_dict是一個(gè)Python字典對象（在這個(gè)有序字典中，key是各層參數(shù)名，value是各層參數(shù)），包含模型的可學(xué)習(xí)參數(shù)(即權(quán)重和偏差，以及bn層的的參數(shù)） 優(yōu)化器對象(torch.optim）也具有state_dict，其中包含有關(guān)優(yōu)化器狀態(tài)以及所用超參數(shù)的信息。

其實(shí)看了如下代碼的輸出應(yīng)該就懂了

import torch
import torch.nn as nn
import torchvision
import numpy as np
from torchsummary import summary
# Define model
class TheModelClass(nn.Module):
  def __init__(self):
    super(TheModelClass, 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
# Initialize model
model = TheModelClass()
# Initialize optimizer
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
# Print model's state_dict
print("Model's state_dict:")
for param_tensor in model.state_dict():
  print(param_tensor,"\t", model.state_dict()[param_tensor].size())
# 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])

輸出如下：

Model's state_dict:
conv1.weight  torch.Size([6, 3, 5, 5])
conv1.bias  torch.Size([6])
conv2.weight  torch.Size([16, 6, 5, 5])
conv2.bias  torch.Size([16])
fc1.weight  torch.Size([120, 400])
fc1.bias  torch.Size([120])
fc2.weight  torch.Size([84, 120])
fc2.bias  torch.Size([84])
fc3.weight  torch.Size([10, 84])
fc3.bias  torch.Size([10])
Optimizer's state_dict:
state  {}
param_groups  [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [2238501264336, 2238501329800, 2238501330016, 2238501327136, 2238501328576, 2238501329728, 2238501327928, 2238501327064, 2238501330808, 2238501328288]}]

我是剛接觸深度學(xué)西的小白一個(gè)，希望大佬可以為我指出我的不足，此博客僅為自己的筆記?。。。?/p>

補(bǔ)充：pytorch保存模型時(shí)報(bào)錯(cuò)***object has no attribute 'state_dict'

定義了一個(gè)類BaseNet并實(shí)例化該類：

net=BaseNet()

保存net時(shí)報(bào)錯(cuò) object has no attribute 'state_dict'

torch.save(net.state_dict(), models_dir)

原因是定義類的時(shí)候不是繼承nn.Module類，比如：

class BaseNet(object):
  def __init__(self):

把類定義改為

class BaseNet(nn.Module):
  def __init__(self):
    super(BaseNet, self).__init__()

看完上述內(nèi)容是否對您有幫助呢？如果還想對相關(guān)知識有進(jìn)一步的了解或閱讀更多相關(guān)文章，請關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝您對創(chuàng)新互聯(lián)網(wǎng)站建設(shè)公司，的支持。

當(dāng)前文章：如何在pytorch中解決state_dict()的拷貝問題-創(chuàng)新互聯(lián)
網(wǎng)站鏈接：http://muchs.cn/article36/dsgdsg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供軟件開發(fā)、品牌網(wǎng)站設(shè)計(jì)、標(biāo)簽優(yōu)化、云服務(wù)器、動態(tài)網(wǎng)站、電子商務(wù)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)