### 如何在 Python 中查看 ResNet 模型的参数 #### PyTorch 实现 在 PyTorch 中，可以通过 `state_dict` 方法来获取模型中的所有可学习参数。以下是具体代码示例： ```python import torch from torchvision import models # 加载预训练的 ResNet18 模型 model = models.resnet18(pretrained=True) # 打印模型的所有参数名称及其形状 for name, param in model.named_parameters(): print(f"Parameter Name: {name}, Shape: {param.shape}") ``` 上述代码通过遍历模型的 `named_parameters()` 方法，能够逐一打印出每一层的参数名以及对应的张量形状[^4]。 如果需要进一步查看具体的权重值，则可以直接访问某一层的参数对象。例如： ```python print(model.fc.weight) # 查看全连接层的权重 ``` --- #### TensorFlow 实现 对于 TensorFlow 来说，在 TensorBoard 或者 Checkpoint 文件的帮助下也可以完成类似的参数查看操作。以下是一个基于 TensorFlow 的例子： ```python import tensorflow as tf # 构建 ResNet50 模型 model = tf.keras.applications.ResNet50(weights='imagenet') # 遍历并打印每层的变量信息 for layer in model.layers: weights = layer.get_weights() if weights: # 如果该层存在权重 for i, weight in enumerate(weights): print(f"Layer: {layer.name} Weight[{i}] Shape: {weight.shape}") ``` 此代码片段利用 Keras API 获取了 ResNet50 各层的权重矩阵，并将其形状展示出来。如果有需求深入分析某个特定层的具体数值，可通过索引方式提取对应的数据[^1]。 另外一种方法是从已保存好的 checkpoint 文件读取参数详情，如下所示： ```python reader = tf.compat.v1.train.NewCheckpointReader('path/to/checkpoint') var_to_shape_map = reader.get_variable_to_shape_map() for key in var_to_shape_map: print("Variable:", key) print("Shape:", var_to_shape_map[key]) tensor_value = reader.get_tensor(key) print(tensor_value[:5]) # 显示前五个元素作为样例 ``` 这种方法适用于从外部导入预先训练完毕后的网络结构与参数情况下的场景下使用[^3]。 --- #### 对比总结 两种框架都提供了灵活的方式来观察内部各部分组成细节的功能。PyTorch 更加直观简洁；而 TensorFlow 则借助其强大的生态体系（如 TensorBoard），使得复杂任务变得简单易行[^5]。