参考链接

在PyTorch中，torch.nn.Module的可学习参数(即权重和偏差)，模块模型包含在model’s参数中(通过model.parameters()访问)。state_dict是个简单的Python dictionary对象，它将每个层映射到它的参数张量。
注意，只有具有可学习参数的层(卷积层、线性层等)才有model’s state_dict中的条目。优化器对象(connector .optim)也有一个state_dict，其中包含关于优化器状态以及所使用的超参数的信息。

import torch
import torch.nn as nn
import torch.nn.functional as F#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 farward(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=1e-4,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])```

结果：

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': 0.0001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [1310469552240, 1310469552384, 1310469552456, 1310469552528, 1310469552600, 1310469552672, 1310469552744, 1310469552816, 1310469552888, 1310469552960]}]

optimizer.load_state_dict（）相关推荐

单目标优化：山瞪羚优化算法（Mountain Gazelle Optimizer，MGO）求解CEC2017（提供Matlab代码）
一.山瞪羚优化算法简介山瞪羚优化算法(Mountain Gazelle Optimizer,MGO)由BenyaminAbdollahzadeh等人于2022年提出,该算法模拟山瞪羚的社会生活和等级 ...
灰狼优化算法（Grey Wolf Optimizer，GWO）
灰狼优化算法(Grey Wolf Optimizer,GWO) 一.算法灵感二.算法介绍 2.1 初始化 2.2 搜寻猎物(探索阶段) 2.3 开发阶段 2.3.1 围捕猎物 2.3.2 攻击猎物 ...
单目标优化：火鹰优化算法（Fire Hawk Optimizer，FHO）求解cec2020（提供Matlab代码）
一.火鹰优化算法火鹰优化算法(Fire Hawk Optimizer,FHO)由Mahdi Azizi等人于2022年提出,该算法性能高效,思路新颖. 参考文献:Azizi, M., Talatah ...
改进的大猩猩部队优化算法（Modified Gorilla Troops Optimizer，MGTO）（原文作者）
改进的大猩猩部队优化算法(Modified Gorilla Troops Optimizer,MGTO)(原文作者) 一.算法灵感二.算法介绍 2. 1 初始化 2. 2 探索阶段 2. 3 开发阶 ...
单目标优化：猎豹优化算法（The Cheetah Optimizer，CO）求解cec2020（提供Matlab代码）
一.猎豹优化算法猎豹优化算法(The Cheetah Optimizer,CO)由MohammadAminAkbari等人于2022年提出,该算法性能高效,思路新颖. 参考文献: Akbari, M ...
多目标优化算法：基于非支配排序的蜣螂优化算法（Non-Dominated Sorting Dung beetle optimizer，NSDBO）
蜣螂优化算法(Dung beetle optimizer,DBO)由Jiankai Xue和Bo Shen于2022年提出,该算法主要受蜣螂的滚球.跳舞.觅食.偷窃和繁殖行为的启发所得. 一.蜣螂优化 ...
智能优化算法 — 蜣螂优化算法（Dung beetle optimizer，DBO）
引言小时候,蜣螂还是比较多见的,还顽皮地将粪球给它弄走,或者给它来点障碍.现在放牛的几乎看不到了,蜣螂没东西可推了,也慢慢从我们的视线中消失了. DBO介绍 2022年11月27日,东华大学沈波教授 ...
单目标优化：蜣螂优化算法（Dung beetle optimizer，DBO）
蜣螂优化算法(Dung beetle optimizer,DBO)由Jiankai Xue和Bo Shen于2022年提出,该算法主要受蜣螂的滚球.跳舞.觅食.偷窃和繁殖行为的启发所得. 一.蜣螂优化 ...
智能优化算法（源码）—蜣螂优化算法（Dung beetle optimizer，DBO）
获取更多资讯,赶快关注上面的公众号吧! 文章目录启发数学模型滚球跳舞繁殖觅食偷窃伪代码 2022年11月27日,东华大学沈波教授团队,继麻雀搜索算法之后,又提出了一种全新的群体智能优化 ...

optimizer.load_state_dict（）

参考链接

optimizer.load_state_dict（）相关推荐

最新文章

热门文章