state_dict()

state_dict() -->顾名思义：状态的字典。对了一半，还有一半是所有可学习参数的状态字典

1.定义和作用：

• state_dict 是一个从参数名称映射到参数张量的字典对象（dict）。
• 它包含了模型的所有可学习参数（如权重和偏置）以及它们的当前值（state）。所以叫state_dict
• state_dict 用来保存、加载和转移模型的状态。

2.用法

获取state_dict:

model = YourModel(...)
state_dict = model.state_dict()

首先要定义自己的模型，毕竟参数源于模型网络，返回一个包含模型所有参数及其值的字典。

保存state_dict

通常，你会将 state_dict 保存到一个文件中，以便之后可以重新加载模型。

torch.save(model.state_dict(), PATH)

加载state_dict

要从文件中加载 state_dict，首先你需要有一个与保存时相同架构的模型实例。

clone = YourModel(...)
clone.load_state_dict(torch.load(PATH))
clone.eval()  # 确保在评估模式下运行

将从文件中加载 state_dict 并将其应用到模型上。

完整示例

定义模型并保存 state_dict

"""加载和保存模型参数"""
# 模型定义
class MLP(nn.Module):
    def __init__(self):
        super().__init__()
        self.layer1 = nn.Linear(20, 256)
        self.out = nn.Linear(256,10)

    def forward(self, X):
        return self.out(F.relu(self.layer1(X)))

net = MLP()  # 实例化模型
X = torch.randn(2, 20)
Y = net(X)  # 模型前向变换
# print(Y)

# 保存模型参数
torch.save(net.state_dict(), 'mlp.params')  # 把MLP所有参数存成一个字典

#加载模型参数
clone = MLP()  # 重新声明，实例化模型，相当于一个空壳子，下一步把参数加载进去
clone.load_state_dict(torch.load("mlp.params"))
clone.eval()  # 评估模式
print(clone)

# 参数验证（判断前后输出是否相同）
Y2 = clone(X)
print(Y == Y2)

输出：

MLP(
  (layer1): Linear(in_features=20, out_features=256, bias=True)
  (out): Linear(in_features=256, out_features=10, bias=True)
)

tensor([[True, True, True, True, True, True, True, True, True, True],
        [True, True, True, True, True, True, True, True, True, True]])