模型运行过程中打印内参 pytorch

在PyTorch中，我们可以通过打印模型的内部参数来了解模型在运行过程中权重和偏置的变化情况。要打印模型的内参，我们可以使用以下步骤：

1. 导入必要的库和模块：

import torch
import torch.nn as nn

2. 构建模型类并定义其结构：

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)

    def forward(self, x):
        x = self.fc1(x)
        x = self.fc2(x)
        return x

model = MyModel()

3. 打印模型的内参：

for name, param in model.named_parameters():
    if param.requires_grad:
        print(name, param.data)

以上代码中的`named_parameters()`函数返回一个迭代器，它会遍历所有模型的内参并返回参数名称和参数本身。`requires_grad`属性用于检查参数是否需要梯度计算。因为我们只关心可以进行梯度更新的参数，所以我们使用该属性进行筛选。

在运行模型时，我们可以通过循环打印每个参数的名称和值。这样，我们就可以实时了解每层的权重和偏置在训练过程中的变化情况。

注意：为了使代码更加简洁，上述示例中仅打印了模型的权重，如果需要打印偏置项，可以将`nn.Linear`函数的`bias`参数设置为`True`。