### 如何在 PyTorch 中查看模型的参数值 为了查看 PyTorch 模型中的参数值，可以通过遍历 `model.parameters()` 或者更详细的 `model.named_parameters()` 方法来实现。`named_parameters()` 不仅返回参数本身还提供其名称，这有助于更好地理解各个参数的作用。 下面是一个具体的例子展示如何打印出模型中所有可学习参数的名字及其形状： ```python for name, param in model.named_parameters(): print(f"Layer: {name} | Size: {param.size()} | Values: {param}") ``` 上述代码片段能够逐层显示网络结构内的权重和其他参数的信息[^2]。 对于已经训练好的模型或者想要保存下来的特定状态，可以利用如下方式获取并存储这些参数: ```python state_dict = model.state_dict() for key in state_dict: print(key, "\n", state_dict[key]) ``` 这里通过调用 `state_dict()` 函数得到整个神经网络的状态字典，其中包括了所有的张量数据以及它们对应的键名。这种方式非常适合用于检查、调试或是持久化保存模型的重要组成部分[^1]。 当构建自定义模块时，需要注意区分普通的 Tensor 和 Parameter 对象。只有后者会被自动加入到框架管理下的优化流程之中去更新梯度。因此，在实例化过程中应当优先考虑使用 `nn.Parameter` 来声明那些希望参与反向传播过程的学习变量。 #### 示例：创建简单模型并观察参数 ```python import torch from torch import nn class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc = nn.Linear(4, 3) net = SimpleNet() # 打印每一层的参数详情 for layer_name, params in net.named_parameters(): print(layer_name, '\n', params.data) ``` 这段脚本展示了怎样建立一个简单的全连接层，并且迭代输出该层内部各参数的具体数值[^3]。