pytorch中保存的模型文件.pth深入解析
前言：前面有专门的讲解关于如何深入查询模型的参数信息，可以参考这篇文章：
pytorch教程之nn.Module类详解——state_dict和parameters两个方法的差异性比较
本次来解析一下我们通常保存的模型文件 .pth 文件到底内部是什么？
一、.pth 文件详解
在pytorch进行模型保存的时候，一般有两种保存方式，一种是保存整个模型，另一种是只保存模型的参数。
torch.save(model.state_dict(), "my_model.pth") # 只保存模型的参数
torch.save(model, "my_model.pth") # 保存整个模型保存的模型参数实际上一个字典类型，通过key-value的形式来存储模型的所有参数，本文以自己在实践过程中使用的一个.pth文件为例来说明，使用的是整个模型。
1.1 .pth 文件基本信息的查看
import torch
pthfile = r'F:/GNN/graph-rcnn/graph-rcnn/datasets/sg_baseline_ckpt.pth' #faster_rcnn_ckpt.pth
net = torch.load(pthfile,map_location=torch.device('cpu')) # 由于模型原本是用GPU保存的，但我这台电脑上没有GPU，需要转化到CPU上
# print(type(net)) # 类型是 dict
# print(len(net)) # 长度为 4，即存在四个 key-value 键值对
# for k in net.keys():
# print(k) # 查看四个键，分别是 model,optimizer,scheduler,iteration1.2 模型的四个键值分别详解
（1）net["model"] 详解
# print(net["model"]) # 返回的是一个OrderedDict 对象
for key,value in net["model"].items():
print(key,value.size(),sep=" ")
'''运行结果如下：
module.backbone.body.stem.conv1.weight torch.Size([64, 3, 7, 7])
module.backbone.body.stem.bn1.weight torch.Size([64])
module.backbone.body.stem.bn1.bias torch.Size([64])
module.backbone.body.stem.bn1.running_mean torch.Size([64])
module.backbone.body.stem.bn1.running_var torch.Size([64])
module.backbone.body.layer1.0.downsample.0.weight torch.Size([256, 64, 1, 1])
module.backbone.body.layer1.0.downsample.1.weight torch.Size([256])
.
.
.
module.backbone.body.layer3.22.bn3.weight torch.Size([1024])
module.backbone.body.layer3.22.bn3.bias torch.Size([1024])
module.backbone.body.layer3.22.bn3.running_mean torch.Size([1024])
module.backbone.body.layer3.22.bn3.running_var torch.Size([1024])
.
.
.
module.rpn.head.conv.bias torch.Size([1024])
module.rpn.head.cls_logits.weight torch.Size([15, 1024, 1, 1])
module.rpn.head.cls_logits.bias torch.Size([15])
module.rpn.head.bbox_pred.weight torch.Size([60, 1024, 1, 1])
.
.
.
module.roi_heads.box.feature_extractor.head.layer4.0.bn2.running_var torch.Size([512])
module.roi_heads.box.feature_extractor.head.layer4.0.conv3.weight torch.Size([2048, 512, 1, 1])
module.roi_heads.box.feature_extractor.head.layer4.0.bn3.weight torch.Size([2048])
.
.
.
module.roi_heads.relation.predictor.cls_score.weight torch.Size([51, 2048])
module.roi_heads.relation.predictor.cls_score.bias torch.Size([51])
'''总结：键model所对应的值是一个OrderedDict，而这个OrderedDict字典里面又存储着所有的每一层的参数名称以及对应的参数值。
需要注意的是，这里参数名称之所以很长，如：
module.backbone.body.stem.conv1.weight是因为搭建网络结构的时候采用了组件式的设计，即整个模型里面构造了一个backbone的容器组件，backbone里面又构造了一个body容器组件，body里面又构造了一个stem容器，stem里面的第一个卷积层的权重。
（2）net["optimizer"]详解
# print(net["optimizer"]) # 返回的是一个一般的字典 Dict 对象
for key,value in net["optimizer"].items():
print(key,type(value),sep=" ")
'''运行结果为：
state
param_groups
'''
'''
发现这个这个字典只有两个key，一个是state，一个是param_groups
其中state所对应的值又是一个字典类型，
param_groups对应的值是一个列表
''' 继续往下查看得到
先看一下net["optimizer"]["param_groups"] 这个列表里面放了一下啥：
groups=net["optimizer"]["param_groups"]
print(groups)
print(len(groups)) # 返回115.即在这个模型中，共有115组
'''
[{'lr': 5.000000000000001e-05, 'weight_decay': 0.0005, 'momentum': 0.9, 'dampening': 0, 'nesterov': False, 'initial_lr': 0.005, 'params': [140566644061240]},
{'lr': 5.000000000000001e-05, 'weight_decay': 0.0005, 'momentum': 0.9, 'dampening': 0, 'nesterov': False, 'initial_lr': 0.005, 'params': [140566644061960]},
{'lr': 5.000000000000001e-05, 'weight_decay': 0.0005, 'momentum': 0.9, 'dampening': 0, 'nesterov': False, 'initial_lr': 0.005, 'params': [140566644062248]},
{'lr': 5.000000000000001e-05, 'weight_decay': 0.0005, 'momentum': 0.9, 'dampening': 0, 'nesterov': False, 'initial_lr': 0.005, 'params': [140566644077336]},
.
.
.
{'lr': 5.000000000000001e-05, 'weight_decay': 0.0005, 'momentum': 0.9, 'dampening': 0, 'nesterov': False, 'initial_lr': 0.005, 'params': [140566644061960]},
{'lr': 5.000000000000001e-05, 'weight_decay': 0.0005, 'momentum': 0.9, 'dampening': 0, 'nesterov': False, 'initial_lr': 0.005, 'params': [140566103171936]},
{'lr': 5.000000000000001e-05, 'weight_decay': 0.0005, 'momentum': 0.9, 'dampening': 0, 'nesterov': False, 'initial_lr': 0.005, 'params': [140566103172008]}
]
'''这个列表的长度为115，每一个元素又是一个字典。
再看一下net["optimizer"]["states"] 这个字典里面放了啥：
state=net["optimizer"]["state"]
print(len(state)) # 返回115.即在这个模型中，state共有115组
for key,value in state.items():
print(key,type(value),sep=" ")
'''
140566644061240
140566644061960
140566644062248
140566644077336
.
.
.
140566103171936
140566103172008
''' 这个字典的长度是115，而且和前面的param_groups有着对应关系，每一个元素的键值就是param_groups中每一个元素的params。
继续往深一层看：
print(type(state[140566644061240])) # 他又是一个字典
for key,value in state[140566644061240].items():
print(key,value.size(),sep=" ")
'''
momentum_buffer torch.Size([512, 256, 1, 1])
''' （3）net["scheduler"] 详解
scheduler=net["scheduler"] # 返回的依然是一个字典
print(len(scheduler)) # 字典的长度为 7
print(scheduler)
'''
{'milestones': (70000, 90000),
'gamma': 0.1,
'warmup_factor': 0.3333333333333333,
'warmup_iters': 500,
'warmup_method': 'linear',
'base_lrs': [0.005, 0.005, 0.005, 0.01, ......, 0.005, 0.005, 0.005, 0.005, 0.01],
'last_epoch': 99999}
'''
继续看一下这个base_lrs的信息
print(len(scheduler["base_lrs"])) # 返回115，→115个数组成的一个列表（4）net["iteration"] 详解
print(net["iteration"]) # 返回 9999 ，它是一个具体的数字二、关于.pth 文件的总结
它是一个包含 四组 “key-value”的字典，类型分别如下：
其中
（1）net["model"] 就相当于是 前面文章中说到的 net.state_dict() 返回的那个字典；
（2）net["optimizer"] 就相当于是 前面文章中说到的 optimizer.state_dict() 返回的那个字典；