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：

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？

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.pthnet = 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 7print(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；