檢視模型的權值 模型與Tensor的區別

模型：

1）conv1 = nn.conv2d(in_ch,out_ch,kernel_size,stride,padding)
2) 繼承nn.module類 （nn.sequence）
3）繼承nn.module類 （手寫）
tensor
1) conv1(input)
2) doubleconv(input)
tensor沒有state_dict()方法，模型有state_dict()方法，可以檢視變數

#%%

import torch
import torch.nn as nn
#%% md
#%% 單層網路模型
input = torch.arange(16,dtype=torch.float32).view([1,1,4,4])
model = nn.conv2d(1,1,kernel_size=3,stride=1,padding=0)
print(model.state_dict())
modeldict = model.state_dict()
print(modeldict['weight'])
print(modeldict['bias'])
#%% 多層網路模型（nn.sequence）
class doubleconv(nn.module):
def __init__(self, in_ch, out_ch):
super(doubleconv, self).__init__()
self.conv = nn.sequential(                  #影象大小不變
nn.conv2d(in_ch, out_ch, 3, padding=1), #in_ch * w * h * t -> out_ch * w * h * t
nn.conv2d(out_ch, out_ch, 3, padding=1),
)def forward(self, input):
return self.conv(input)
#模型model1 = doubleconv(2,2)
print(model1.state_dict())
#%% 多層網路模型（手動）
class doubleconv1(nn.module):
def __init__(self, in_ch, out_ch):
super(doubleconv1, self).__init__()
#影象大小不變
self.conv1 = nn.conv2d(in_ch, out_ch, 3, padding=1) #in_ch * w * h * t -> out_ch * w * h * t               #in_ch * w * h * t -> out_ch * w * h * t                 #in_ch * w * h * t -> out_ch * w * h * t
self.conv2 = nn.conv2d(in_ch, out_ch, 3, padding=1)
def forward(self, x):
c1=self.conv1(x)        #自動呼叫doubleconv類中的forward函式
c2=self.conv2(c1)
return c2
#模型model2 = doubleconv1(2,2)
print(model2.state_dict())

檢視caffe模型的引數

1.訓練模型的引數 solver caffe.sgdsolver str solver path for name,blob in solver.net.blobs,items 網路中的資料，blobs是乙個字典 print name str blob.data.shape blob是blob的類物...

樹模型與線性模型的融合模型 Python實現

目錄 一 樹模型與線性模型的融合模型 二 python sklearn實現gbdt lr融合模型 樹模型gbdt原理 線性模型lr原理 海量的離散特徵 線性模型lr，因其較高的精度和較少的運算開銷在業界廣為使用。線性模型lr無法捕捉到非線性特徵對標籤的影響，因而提公升線性模型精度的有效方法是構造有效...

OSI模型與TCP IP模型的比較

cp ip模型實際上是osi模型的乙個濃縮版本，它只有四個層次 1.應用層 2.運輸層 3.網際層 4.網路介面層 與osi功能相比 應用層對應著osi的 應用層 表示層 會話層 運輸層對應著osi的傳輸層 網際層對應著osi的網路層 網路介面層對應著osi的資料鏈路層和物理層 tcp ip模型的主...