global_model.parameters()与global_model.state_dict().items()二者区别代码示例及结果表示

下面是一个简单的示例代码，演示了`global_model.parameters()`和`global_model.state_dict().items()`的区别：

import torch
import torch.nn as nn

# 定义一个简单的模型
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, 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

# 创建一个全局模型对象
global_model = SimpleModel()

# 打印global_model.parameters()的返回值
print("global_model.parameters():")
for param in global_model.parameters():
    print(param.shape)

# 打印global_model.state_dict().items()的返回值
print("global_model.state_dict().items():")
for name, param in global_model.state_dict().items():
    print(name, param.shape)

输出结果如下：

global_model.parameters():
torch.Size([5, 10])
torch.Size([5])
torch.Size([2, 5])
torch.Size([2])
global_model.state_dict().items():
fc1.weight torch.Size([5, 10])
fc1.bias torch.Size([5])
fc2.weight torch.Size([2, 5])
fc2.bias torch.Size([2])

可以看到，`global_model.parameters()`返回了一个可迭代对象，其中包含了模型中所有可训练的参数，每个参数都是一个`torch.nn.Parameter`类型的对象，包含了参数的值以及梯度等信息。在这个示例中，模型中共有4个可训练参数，分别是`fc1.weight`、`fc1.bias`、`fc2.weight`、`fc2.bias`。

而`global_model.state_dict().items()`返回了一个字典对象，其中包含了模型中所有可训练参数的名称和其对应的值。在这个示例中，`state_dict()`方法返回了一个包含了4个键值对的字典对象，分别是`fc1.weight`、`fc1.bias`、`fc2.weight`、`fc2.bias`，对应的值是每个参数的形状。