Keras input_shape、output_shape、get_weights、get_config 和 summary 的 PyTorch 替代方案是什么答案

【问题标题】：What is the PyTorch alternative for Keras input_shape, output_shape, get_weights, get_config and summaryKeras input_shape、output_shape、get_weights、get_config 和 summary 的 PyTorch 替代方案是什么
【发布时间】：2019-04-25 23:41:07
【问题描述】：

在 Keras 中，创建模型后，我们可以使用model.input_shape、model.output_shape 查看其输入和输出形状。对于权重和配置，我们可以分别使用model.get_weights() 和model.get_config()。

PyTorch 有哪些类似的替代品？还有其他我们需要了解的用于检查 PyTorch 模型的函数吗？

为了在 PyTorch 中获取摘要，我们打印模型 print(model)，但这提供的信息比 model.summary() 少。 PyTorch 有更好的总结吗？

【问题讨论】：

标签： keras pytorch

【解决方案1】：

pytorch 中没有“model.summary()”方法。您需要使用模型的内置方法和字段。

例如，我已经自定义了 inception_v3 模型。要获取信息，我需要使用其他许多不同的字段。例如：

在：

print(model) # print network architecture

出来

Inception3(
  (Conv2d_1a_3x3): BasicConv2d(
    (conv): Conv2d(3, 32, kernel_size=(3, 3), stride=(2, 2), bias=False)
    (bn): BatchNorm2d(32, eps=0.001, momentum=0.1, affine=True, track_running_stats=True)
  )
  (Conv2d_2a_3x3): BasicConv2d(
    (conv): Conv2d(32, 32, kernel_size=(3, 3), stride=(1, 1), bias=False)
    (bn): BatchNorm2d(32, eps=0.001, momentum=0.1, affine=True, track_running_stats=True)
  )
  (Conv2d_2b_3x3): BasicConv2d(
    (conv): Conv2d(32, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
    (bn): BatchNorm2d(64, eps=0.001, momentum=0.1, affine=True, track_running_stats=True)
  )
  (Conv2d_3b_1x1): BasicConv2d(
    (conv): Conv2d(64, 80, kernel_size=(1, 1), stride=(1, 1), bias=False)
    (bn): BatchNorm2d(80, eps=0.001, momentum=0.1, affine=True, track_running_stats=True)
  )
  (Conv2d_4a_3x3): BasicConv2d(
    (conv): Conv2d(80, 192, kernel_size=(3, 3), stride=(1, 1), bias=False)
   ...

在：

for i in model.state_dict().keys():
    print(i) 
#print keys of dict with values of learned weights, bias, parameters

输出：

    Conv2d_1a_3x3.conv.weight
    Conv2d_1a_3x3.bn.weight
    Conv2d_1a_3x3.bn.bias
    Conv2d_1a_3x3.bn.running_mean
    Conv2d_1a_3x3.bn.running_var
    Conv2d_1a_3x3.bn.num_batches_tracked
    Conv2d_2a_3x3.conv.weight
    Conv2d_2a_3x3.bn.weight
    Conv2d_2a_3x3.bn.bias
    Conv2d_2a_3x3.bn.running_mean 
    ...

因此，如果我想在 Conv2d_1a_3x3 获得 CNN 层的权重，我会寻找键“Conv2d_1a_3x3.conv.weight”：

print("model.save_dict()["Conv2d_1a_3x3.conv.weight"])

输出：

tensor([[[[-0.2103, -0.3441, -0.0344],
          [-0.1420, -0.2520, -0.0280],
          [ 0.0736,  0.0183,  0.0381]],

         [[ 0.1417,  0.1593,  0.0506],
          [ 0.0828,  0.0854,  0.0186],
          [ 0.0283,  0.0144,  0.0508]],
...

如果您想查看优化器中使用的超参数：

optimizer.param_groups

输出：

[{'dampening': 0,
  'lr': 0.01,
  'momentum': 0.01,
  'nesterov': False,
  'params': [Parameter containing:
   tensor([[[[-0.2103, -0.3441, -0.0344],
             [-0.1420, -0.2520, -0.0280],
             [ 0.0736,  0.0183,  0.0381]],
          ...

【讨论】：