一：模型查看

我们有以下代码：

import torch

class MyModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.layer1 = torch.nn.Sequential(
            torch.nn.Linear(3, 4),
            torch.nn.Linear(4, 3),
        )
        self.layer2 = torch.nn.Linear(3, 6)
        self.layer3 = torch.nn.Sequential(
            torch.nn.Linear(6, 7),
            torch.nn.Linear(7, 5),
        )

    def forward(self, x):
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        return x

net = MyModel()
print(net)

代码分析：模型有3个大层，每个层中又有一些不定数量的小层。以self.layer1举例：layer1中有2个先行层，分别为Linear(3, 4)和Linear(4, 3)。

1. 使用print(net)方法来查看模型

现在我们来打印出来模型的网络结果如下：

MyModel(
  (layer1): Sequential(
    (0): Linear(in_features=3, out_features=4, bias=True)
    (1): Linear(in_features=4, out_features=3, bias=True)
  )
  (layer2): Linear(in_features=3, out_features=6, bias=True)
  (layer3): Sequential(
    (0): Linear(in_features=6, out_features=7, bias=True)
    (1): Linear(in_features=7, out_features=5, bias=True)
  )
)

使用 print(net) 方法打印的模型结构显示了 MyModel 类的各个层及其参数。以下是对打印结果的总结：

1. 模型名称：

• MyModel：这是模型的名称。

2. 层结构

• layer1：一个顺序容器（Sequential），包含两个线性层。
• layer2：一个线性层。
• layer3：另一个顺序容器（Sequential），包含两个线性层。

2. 使用net.modules()查看模型

for layer in net.modules():
    print(type(layer)

遍历网络的每个模块，并打印每个模块的类型：

<class '__main__.MyModel'>
<class 'torch.nn.modules.container.Sequential'>
<class 'torch.nn.modules.linear.Linear'>
<class 'torch.nn.modules.linear.Linear'>
<class 'torch.nn.modules.linear.Linear'>
<class 'torch.nn.modules.container.Sequential'>
<class 'torch.nn.modules.linear.Linear'>
<class 'torch.nn.modules.linear.Linear'>

根据输出的顺序，可以总结出模型的层结构如下：

1. MyModel（模型实例）

2. Sequential（layer1）

• Linear（layer1 的第一个线性层）

• Linear（layer1 的第二个线性层）

• Linear（layer2）

4. Sequential（layer3）

• Linear（layer3 的第一个线性层）

• Linear（layer3 的第二个线性层）

for layer in net.modules():
    print(layer)

遍历网络的每个模块，并打印每个模块的内容：

MyModel(
  (layer1): Sequential(
    (0): Linear(in_features=3, out_features=4, bias=True)
    (1): Linear(in_features=4, out_features=3, bias=True)
  )
  (layer2): Linear(in_features=3, out_features=6, bias=True)
  (layer3): Sequential(
    (0): Linear(in_features=6, out_features=7, bias=True)
    (1): Linear(in_features=7, out_features=5, bias=True)
  )
)
Sequential(
  (0): Linear(in_features=3, out_features=4, bias=True)
  (1): Linear(in_features=4, out_features=3, bias=True)
)
Linear(in_features=3, out_features=4, bias=True)
Linear(in_features=4, out_features=3, bias=True)
Linear(in_features=3, out_features=6, bias=True)
Sequential(
  (0): Linear(in_features=6, out_features=7, bias=True)
  (1): Linear(in_features=7, out_features=5, bias=True)
)
Linear(in_features=6, out_features=7, bias=True)
Linear(in_features=7, out_features=5, bias=True)

如上图所示，递归的打印出了模型的结构。

综上所示，modules()会递归地将我们的模型层，全部打印出来。

3. 使用net.named_modules()查看模型

for name, layer in net.named_modules():
    print(name, type(layer))

打印结果如下：

 <class '__main__.MyModel'>
layer1 <class 'torch.nn.modules.container.Sequential'>
layer1.0 <class 'torch.nn.modules.linear.Linear'>
layer1.1 <class 'torch.nn.modules.linear.Linear'>
layer2 <class 'torch.nn.modules.linear.Linear'>
layer3 <class 'torch.nn.modules.container.Sequential'>
layer3.0 <class 'torch.nn.modules.linear.Linear'>
layer3.1 <class 'torch.nn.modules.linear.Linear'>

相较于modules()，named_modules()会将模型层的名字打印出来，同样也是递归打印。

for name, layer in net.named_modules():
    print(name, layer)

打印结果如下：

 MyModel(
  (layer1): Sequential(
    (0): Linear(in_features=3, out_features=4, bias=True)
    (1): Linear(in_features=4, out_features=3, bias=True)
  )
  (layer2): Linear(in_features=3, out_features=6, bias=True)
  (layer3): Sequential(
    (0): Linear(in_features=6, out_features=7, bias=True)
    (1): Linear(in_features=7, out_features=5, bias=True)
  )
)
layer1 Sequential(
  (0): Linear(in_features=3, out_features=4, bias=True)
  (1): Linear(in_features=4, out_features=3, bias=True)
)
layer1.0 Linear(in_features=3, out_features=4, bias=True)
layer1.1 Linear(in_features=4, out_features=3, bias=True)
layer2 Linear(in_features=3, out_features=6, bias=True)
layer3 Sequential(
  (0): Linear(in_features=6, out_features=7, bias=True)
  (1): Linear(in_features=7, out_features=5, bias=True)
)
layer3.0 Linear(in_features=6, out_features=7, bias=True)
layer3.1 Linear(in_features=7, out_features=5, bias=True)

综上所示，modules()和named_modules()类似，都是递归打印模型的结构，只是named_modules()方法会打印出模型层的名字。

4. 使用net.children()，net.named_modules()查看模型

for layer in net.children():
    print(layer)

打印结果如下：只打印网络的第一层子网络，而不会递归打印子网络内部的层。

Sequential(
  (0): Linear(in_features=3, out_features=4, bias=True)
  (1): Linear(in_features=4, out_features=3, bias=True)
)
Linear(in_features=3, out_features=6, bias=True)
Sequential(
  (0): Linear(in_features=6, out_features=7, bias=True)
  (1): Linear(in_features=7, out_features=5, bias=True)
)

for name, layer in net.named_children():
    print(name, layer)

打印结果如下：

layer1 Sequential(
  (0): Linear(in_features=3, out_features=4, bias=True)
  (1): Linear(in_features=4, out_features=3, bias=True)
)
layer2 Linear(in_features=3, out_features=6, bias=True)
layer3 Sequential(
  (0): Linear(in_features=6, out_features=7, bias=True)
  (1): Linear(in_features=7, out_features=5, bias=True)
)

二：模型参数查看

1. 使用net.parameters()、net.named_parameters()查看模型参数

使用net.parameters()查看模型参数：

for param in net.parameters():
    print(param.shape)

打印结果如下：同样是递归打印

torch.Size([4, 3])
torch.Size([4])
torch.Size([3, 4])
torch.Size([3])
torch.Size([6, 3])
torch.Size([6])
torch.Size([7, 6])
torch.Size([7])
torch.Size([5, 7])
torch.Size([5])

使用net.named_parameters()查看模型参数：

for name, param in net.named_parameters():
    print(name, param.shape)

打印结果如下：递归打印，加上参数名。

layer1.0.weight torch.Size([4, 3])
layer1.0.bias torch.Size([4])
layer1.1.weight torch.Size([3, 4])
layer1.1.bias torch.Size([3])
layer2.weight torch.Size([6, 3])
layer2.bias torch.Size([6])
layer3.0.weight torch.Size([7, 6])
layer3.0.bias torch.Size([7])
layer3.1.weight torch.Size([5, 7])
layer3.1.bias torch.Size([5])

2. 使用net.state_dict()查看模型参数

net.state_dict()是将我们模型的每一个的参数名和参数值以字典的形式迭代出来，使用net.state_dict().item()可以获取字典中的键值对。

for key, value in net.state_dict().items():
    print(key, value.shape)

打印结果如下： 

layer1.0.weight torch.Size([4, 3])
layer1.0.bias torch.Size([4])
layer1.1.weight torch.Size([3, 4])
layer1.1.bias torch.Size([3])
layer2.weight torch.Size([6, 3])
layer2.bias torch.Size([6])
layer3.0.weight torch.Size([7, 6])
layer3.0.bias torch.Size([7])
layer3.1.weight torch.Size([5, 7])
layer3.1.bias torch.Size([5])

从打印结果来看，与net.named_parameters()的打印结果是一样的。