pytorch获取模型的所有层

Question

什么是获取pytorch模型并获得所有图层的列表而不进行任何nn.Sequence分组的最简单方法？例如，更好的方法吗？

import pretrainedmodels
model = pretrainedmodels.__dict__['xception'](num_classes=1000, pretrained='imagenet')

l = []
def unwrap_model(model):
    for i in children(model):
        if isinstance(i, nn.Sequential): unwrap_model(i)
        else: l.append(i)
unwrap_model(model)            

print(l)

Answer 1

我将其网络化以获得更深入的模型，但并非所有块都来自 nn.sequential。

def get_children(model: torch.nn.Module):
    # get children form model!
    children = list(model.children())
    flatt_children = []
    if children == []:
        # if model has no children; model is last child! :O
        return model
    else:
       # look for children from children... to the last child!
       for child in children:
            try:
                flatt_children.extend(get_children(child))
            except TypeError:
                flatt_children.append(get_children(child))
    return flatt_children

Answer 2

如果您想要命名的图层dict，这是最简单的方法：

named_layers = dict(model.named_modules())

这会返回类似以下内容的内容：

{
    'conv1': <some conv layer>,
    'fc1': < some fc layer>,
     ### and other layers 
}

例子：

named_layers = dict(model.named_modules())

Answer 3

您可以使用modules（）方法遍历模型的所有模块。它也进入每个内部Sequantial。

l = [module for module in model.modules() if type(module) != nn.Sequential]

这是一个简单的例子：

model = nn.Sequential(nn.Linear(2, 2), 
                      nn.ReLU(),
                      nn.Sequential(nn.Linear(2, 1), nn.Sigmoid()))

输出：

[Linear(in_features=2, out_features=2, bias=True),
 ReLU(),
 Linear(in_features=2, out_features=1, bias=True),
 Sigmoid()]