解決pytorch 的state_dict()拷貝問(wèn)題
先說(shuō)結(jié)論
model.state_dict()是淺拷貝，返回的參數(shù)仍然會(huì)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(pán)。
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(guò)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)確率最佳的模型load回去，結(jié)果每一次都是最后一個(gè)模型，從地址來(lái)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(wèn)題。
補(bǔ)充：pytorch中state_dict的理解
在PyTorch中，state_dict是一個(gè)Python字典對(duì)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(duì)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?。。?！
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(lèi)BaseNet并實(shí)例化該類(lèi)：
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(lèi)的時(shí)候不是繼承nn.Module類(lèi)，比如：
class BaseNet(object): def __init__(self):
把類(lèi)定義改為
class BaseNet(nn.Module):
def __init__(self):
super(BaseNet, self).__init__()
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。
相關(guān)文章
使用Django清空數(shù)據(jù)庫(kù)并重新生成
這篇文章主要介紹了使用Django清空數(shù)據(jù)庫(kù)并重新生成，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-04-04
Python實(shí)現(xiàn)arctan換算角度的示例
本文主要介紹了Python實(shí)現(xiàn)arctan換算角度的示例，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-03-03
這篇文章主要介紹了在Python中操作字典之update()方法的使用,是Python入門(mén)學(xué)習(xí)中的基礎(chǔ)知識(shí),需要的朋友可以參考下2015-05-05
Python實(shí)現(xiàn)字符串逆序輸出功能示例
這篇文章主要介紹了Python實(shí)現(xiàn)字符串逆序輸出功能,結(jié)合具體實(shí)例形式分析了Python針對(duì)字符串的遍歷、翻轉(zhuǎn)、排序等相關(guān)操作技巧,需要的朋友可以參考下2017-06-06
Python如何把Spark數(shù)據(jù)寫(xiě)入ElasticSearch
這篇文章主要介紹了Python如何把Spark數(shù)據(jù)寫(xiě)入ElasticSearch,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-04-04
Python+OpenCV實(shí)現(xiàn)圖片及視頻中選定區(qū)域顏色識(shí)別
這篇文章主要為大家詳細(xì)介紹了如何利用Python+OpenCV實(shí)現(xiàn)圖片及視頻中選定區(qū)域顏色識(shí)別功能，文中的示例代碼講解詳細(xì)，感興趣的可以了解一下2022-07-07
紅頭文件，是某國(guó)特別色的東西，在python里不需要，python里要處理的是計(jì)算機(jī)中的文件，包括文本的、圖片的、音頻的、視頻的等等，還有不少?zèng)]見(jiàn)過(guò)的擴(kuò)展名的，文件，在python中，是一種對(duì)象，就如同已經(jīng)學(xué)習(xí)過(guò)的字符串、數(shù)字等一樣。2014-09-09
這篇文章主要介紹了python性能測(cè)量工具cProfile使用解析,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-09-09
Python調(diào)整圖像hue值結(jié)合ImageEnhance庫(kù)以實(shí)現(xiàn)色調(diào)增強(qiáng)
這篇文章主要介紹了Python調(diào)整圖像hue值結(jié)合ImageEnhance庫(kù)以實(shí)現(xiàn)色調(diào)增強(qiáng),PIL庫(kù)中的ImageEnhance類(lèi)可用于圖像增強(qiáng),可以調(diào)節(jié)圖像的亮度、對(duì)比度、色度和銳度,通過(guò)RGB到HSV的變換加調(diào)整可以對(duì)圖像的色調(diào)進(jìn)行調(diào)整,需要的朋友可以參考下2023-09-09
Numpy中的數(shù)組搜索中np.where方法詳細(xì)介紹
這篇文章主要介紹了Numpy中的數(shù)組搜索中np.where方法詳細(xì)介紹，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01