这篇文章主要介绍“Pytorch优化器内部的各参数信息打印结果”，在日常操作中，相信很多人在Pytorch优化器内部的各参数信息打印结果问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Pytorch优化器内部的各参数信息打印结果”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
10年积累的做网站、成都网站设计经验，可以快速应对客户对网站的新想法和需求。提供各种问题对应的解决方案。让选择我们的客户得到更好、更有力的网络服务。我虽然不认识你，你也不认识我。但先网站制作后付款的网站建设流程，更有丰县免费网站建设让你可以放心的选择与我们合作。
代码:
import timeimport torchimport torch.optim as optimclass Model(torch.nn.Module):def __init__(self):super(Model,self).__init__()self.conv1=torch.nn.Sequential(#输入torch.Size([64, 1, 28, 28])torch.nn.Conv2d(1,64,kernel_size=3,stride=1,padding=1),# 用于搭建卷积神经网络的卷积层，主要的输入参数有输入通道数、
# 输出通道数、卷积核大小、卷积核移动步长和Padding值。
# 输出维度 = 1+(输入维度-卷积核大小+2*padding)/卷积核步长
#输出torch.Size([64, 64, 28, 28])torch.nn.ReLU(),#输出torch.Size([64, 64, 28, 28])torch.nn.Conv2d(64,128,kernel_size=3,stride=1,padding=1),#输出torch.Size([64, 128, 28, 28])torch.nn.ReLU(),torch.nn.MaxPool2d(stride=2,kernel_size=2)# 主要的输入参数是池化窗口大小、池化窗口移动步长和Padding值
#输出torch.Size([64, 128, 14, 14]))self.dense=torch.nn.Sequential(#输入torch.Size([64, 14*14*128])torch.nn.Linear(14*14*128,1024),#class torch.nn.Linear(in_features，out_features，bias = True)#输出torch.Size([64, 1024])torch.nn.ReLU(),torch.nn.Dropout(p=0.5),# torch.nn.Dropout类用于防止卷积神经网络在训练的过程中
# 发生过拟合，其工作原理简单来说就是在模型训练的过程中，
# 以一定的随机概率将卷积神经网络模型的部分参数归零，以达
# 到减少相邻两层神经连接的目的。这样做是为了让我们最后训
# 练出来的模型对各部分的权重参数不产生过度依赖，从而防止
# 过拟合。对于torch.nn.Dropout类，我们可以对随机概率值
# 的大小进行设置，如果不做任何设置，就使用默认的概率值0.5。
torch.nn.Linear(1024,10)#输出torch.Size([64, 10]) )
def forward(self,x):#torch.Size([64, 1, 28, 28])x = self.conv1(x)#输出torch.Size([64, 128, 14, 14])x = x.view(-1,14*14*128)#view()函数作用是将一个多行的Tensor,拼接成一行，torch.Size([64, 14*14*128])x = self.dense(x)#输出torch.Size([64, 10])return x
model = Model() lr = 0.005optimizer = optim.Adam(model.parameters(), lr=lr)for param_group in optimizer.param_groups:print(param_group.keys())# print(type(param_group))print([type(value) for value in param_group.values()])print('查看学习率: ',param_group['lr'])打印结果展示:
