如何获取迁移学习模型中指定层的参数值？

下面针对主流的PyTorch和TensorFlow/Keras框架，分别给出获取指定层参数数值的具体方法：

PyTorch #

方法1：直接通过层名称调用 #

加载预训练模型后，直接通过模型的层属性获取参数的data属性（转为numpy数组方便查看和处理）：

import torch
import torchvision.models as models

# 加载预训练的ResNet18（迁移学习常用模型）
model = models.resnet18(pretrained=True)

# 获取conv1层的权重和偏置数值
conv1_weights = model.conv1.weight.data.numpy()
conv1_bias = model.conv1.bias.data.numpy()

方法2：遍历所有参数筛选 #

如果不确定层的准确名称，可以遍历模型的所有参数，通过名称匹配定位：

for name, param in model.named_parameters():
    if name == "conv1.weight":
        target_weights = param.data.numpy()
    elif name == "conv1.bias":
        target_bias = param.data.numpy()

注：param.data就是参数的原始数值，无需执行前向传播即可获取。

TensorFlow/Keras #

方法1：通过层名称获取 #

加载预训练模型后，用get_layer()定位目标层，再调用get_weights()获取参数：

from tensorflow.keras.applications import VGG16

# 加载预训练的VGG16模型
model = VGG16(weights='imagenet')

# 获取block1_conv1层的参数
target_layer = model.get_layer('block1_conv1')
weights, biases = target_layer.get_weights()

get_weights()返回两个numpy数组，分别对应层的权重和偏置（如果该层有偏置的话）。

方法2：遍历所有层筛选 #

如果不清楚层名称，可遍历模型的所有层进行匹配：

for layer in model.layers:
    if layer.name == 'block1_conv1':
        weights, biases = layer.get_weights()
        break

注意事项 #

• 迁移学习中即使冻结了某些层（设置requires_grad=False或trainable=False），依然可以正常获取这些层的参数数值。
• 不同类型层的参数形状不同：比如卷积层的权重形状为(卷积核高, 卷积核宽, 输入通道数, 输出通道数)，全连接层的权重形状为(输入特征数, 输出特征数)。

内容的提问来源于stack exchange，提问作者aya