今天小编就为大家分享一篇pytorch 实现打印模型的参数值，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

在pytorch训练过程中可以通过下面这一句代码来打印当前学习率 print(net.optimizer.state_dict()[‘param_groups’][0][‘lr’]) 补充知识：Pytorch：代码实现不同层设置不同的学习率，选择性学习某些层参数 1，如何动态调整学习率 在使用pytorch进行模型训练时，经常需要随着训练的进行逐渐降低学习率，在pytorch中给出了非常方面的方法： 假设我们定义了一个优化器： import torch import torch.nn as

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.Sequent

嫁接者 用于查看和编辑的交互式外壳。 graftr器可用于删除，重命名和在已保存模型的层和参数之间移动。 这也是查看上已预训练的PyTorch模型（例如Transformer，DCGAN等）的结构的便捷工具。 上面的截屏视频显示了一个示例，该示例采用了预训练的并准备将其集成到更大的模型中。 我们删除最终的分类层，然后将特征提取器移到其自己的densenet模块中。 安装 pip install graftr 文献资料 graftr为您的检查点中的state_dict和参数提供了一个分层目录