无模型结构信息时如何通过Python获取.pth文件的输出类别数
无模型结构信息下通过Python读取.pth文件输出层类别数的实现方法
.pth是PyTorch框架的标准序列化存储文件,常见分为两种存储形态:仅存储模型权重字典(state_dict)、整模型全对象序列化。不管哪种形态,都可以在完全不掌握模型结构、不导入对应模型类定义的前提下,直接解析张量维度获取输出层类别数,得到和Netron可视化完全一致的结果。
核心实现逻辑
核心是利用PyTorch的安全加载模式,跳过模型类的反序列化流程,直接读取文件内存储的张量形状信息,定位最终输出层的维度参数。
实现代码
import torch # 以CPU模式加载,关闭对象反序列化,避免因缺失模型类定义触发报错 weights = torch.load( "你的模型文件.pth", map_location=torch.device("cpu"), weights_only=True ) # 兼容常见的checkpoint嵌套结构:部分训练脚本会把权重存在state_dict专属键下 if isinstance(weights, dict) and "state_dict" in weights: weights = weights["state_dict"] output_class_num = None # 按存储顺序遍历所有参数张量,定位最终输出层 for param_name, tensor in weights.items(): # 场景1:输出层为全连接线性层,权重为2维张量,形状为[输出维度, 输入维度] if tensor.ndim == 2: output_class_num = tensor.shape[0] # 场景2:输出层为1x1卷积替代的全连接结构,权重为4维的1x1卷积核,形状为[输出通道数, 输入通道数, 1, 1] if tensor.ndim == 4 and tensor.shape[2] == 1 and tensor.shape[3] == 1: output_class_num = tensor.shape[0] print(f"模型最终输出层对应的类别总数量为: {output_class_num}")
关键注意事项
- 必须开启
weights_only=True参数加载:该模式下PyTorch只会解析文件内的原生张量、字典、列表等基础结构,不会动态执行自定义类的反序列化逻辑,哪怕完全没有模型的结构代码、没有安装模型依赖的第三方库,也能正常读取张量信息,不会触发“找不到对应类定义”的常见报错。 - 遍历顺序的合理性:PyTorch的state_dict存储顺序和模型的层注册顺序完全一致,从输入侧的骨干网络层依次排列到输出侧的分类头,遍历过程中最后被识别到的输出层参数,就是模型最末端的输出层,其维度数值和Netron可视化的结果完全匹配。
- 适配特殊结构:如果读取到的数值为None,可以补充排查模型输出层是否为其他非常规结构,比如将分类头的权重拆分在多个参数块中,只需要定位键名中带有
head、fc、classifier关键字的参数张量,读取其第0维的形状数值即可。
内容的提问来源于stack exchange,提问作者Awais Hussain
相关产品推荐
相关产品推荐

