### 如何在 PyTorch 中查看模块 (module) 的相关信息 在 PyTorch 中，`torch.nn.Module` 是构建神经网络的核心组件。为了更好地理解模型结构及其内部参数，可以通过多种方式来查看 `Module` 的相关信息。 #### 使用 `print()` 输出整个模块的结构 最简单的办法是直接打印模型对象本身。这会显示模型的整体架构以及各层的具体配置。 ```python import torch.nn as nn class SimpleModel(nn.Module): def __init__(self): super(SimpleModel, self).__init__() self.fc1 = nn.Linear(784, 128) self.relu = nn.ReLU() self.fc2 = nn.Linear(128, 10) def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x model = SimpleModel() print(model) ``` 上述代码定义了一个简单的全连接网络并打印其结构[^1]。 --- #### 获取模块中的所有子模块 可以使用 `.children()` 或 `.modules()` 来遍历模型的所有子模块。`.children()` 返回的是直接子模块，而 `.modules()` 则返回当前模块及其所有的嵌套子模块。 ```python for name, module in model.named_children(): print(f"Child Module Name: {name}, Child Module: {module}") for name, module in model.named_modules(): print(f"All Modules Name: {name}, All Modules: {module}") ``` 这里展示了两种不同的方法来访问模型的不同层次结构。 --- #### 查看模型参数 通过 `.parameters()` 可以获取模型中可学习的参数列表；如果只想查看某一具体层的参数，则可以直接调用该层的对象属性。 ```python # 所有参数 for param in model.parameters(): print(param.shape) # 特定层参数 print(list(model.fc1.parameters())) ``` 此部分描述了如何提取和观察模型内的权重矩阵形状等细节信息[^2]。 --- #### 序列化与反序列化操作下的状态字典 (`state_dict`) 当保存或加载模型时，通常会涉及 `state_dict` 这一概念。它记录了每一层对应的张量数值。 - **保存模型** ```python torch.save(model.state_dict(), 'simple_model.pth') ``` - **加载模型** ```python new_model = SimpleModel() new_model.load_state_dict(torch.load('simple_model.pth')) new_model.eval() # 设置为评估模式 ``` 这些命令演示了标准流程下完成持久化的步骤。 --- #### 初始化自定义函数应用至每个子模块 如果有特殊需求比如重新设定初始值分布情况的话，也可以借助于之前提到过的 apply 函数配合用户编写好的初始化逻辑一起作用在整个 network 上面。 假设存在这样一个 weights_init 定义如下： ```python def weights_init(m): if isinstance(m, nn.Linear): nn.init.xavier_uniform_(m.weight.data) if m.bias is not None: nn.init.constant_(m.bias.data, 0) model.apply(weights_init) ``` 这段脚本实现了针对线性变换单元单独设置 Xavier 均匀型随机数填充方案的同时还将偏置项固定零向量的操作。 --- ### 总结 以上介绍了几种常见的查询 pytorch 模块信息的方法，包括但不限于利用字符串表示法直观呈现整体框架概览图谱、逐级深入剖析组成部分直至最基本的构成要素为止等等手段相结合的方式来进行全方位探索分析工作。