解决pytorch 的state_dict()拷贝问题_Python

先说结论

model.state_dict()是浅拷贝，返回的参数仍然会随着网络的训练而变化。

应该使用deepcopy(model.state_dict())，或将参数及时序列化到硬盘。

再讲故事，前几天在做一个模型的交叉验证训练时，通过model.state_dict()保存了每一组交叉验证模型的参数，后根据效果选择准确率最佳的模型load回去，结果每一次都是最后一个模型，从地址来看，每一个保存的state_dict()都具有不同的地址，但进一步发现state_dict()下的各个模型参数的地址是共享的，而我又使用了in-place的方式重置模型参数，进而导致了上述问题。

补充：pytorch中state_dict的理解

在PyTorch中，state_dict是一个Python字典对象（在这个有序字典中，key是各层参数名，value是各层参数），包含模型的可学习参数(即权重和偏差，以及bn层的的参数）优化器对象(torch.optim）也具有state_dict，其中包含有关优化器状态以及所用超参数的信息。

其实看了如下代码的输出应该就懂了

				?

									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])

输出如下：

				?

									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]}]

我是刚接触深度学西的小白一个，希望大佬可以为我指出我的不足，此博客仅为自己的笔记！！！！

补充：pytorch保存模型时报错***object has no attribute 'state_dict'

定义了一个类BaseNet并实例化该类：

				?

									net=BaseNet()

保存net时报错 object has no attribute 'state_dict'

				?

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

原因是定义类的时候不是继承nn.Module类，比如：

				?

									class BaseNet(object):

									  def __init__(self):

把类定义改为

				?

									class BaseNet(nn.Module):

									  def __init__(self):

									    super(BaseNet, self).__init__()

以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。

原文链接：https://www.cnblogs.com/LukeStepByStep/p/11248361.html

解决pytorch 的state_dict()拷贝问题

先说结论

其实看了如下代码的输出应该就懂了

定义了一个类BaseNet并实例化该类：

把类定义改为

相关文章

热门资讯