Neural network 要计算稀疏性的模块的名称

我正在编写一个函数，用于计算以下完全连接网络的权重矩阵的稀疏性：

class FCN(nn.Module):
    def __init__(self):
        super(FCN, self).__init__()

        
        self.fc1 = nn.Linear(input_dim, hidden_dim)
        self.relu1 = nn.ReLU()
        self.fc2 = nn.Linear(hidden_dim, hidden_dim)
        self.relu2 = nn.ReLU()
        self.fc3 = nn.Linear(hidden_dim, hidden_dim)
        self.relu3 = nn.ReLU()
        self.fc4 = nn.Linear(hidden_dim, output_dim)
    
    def forward(self, x):

        out = self.fc1(x)
        out = self.relu1(out)
        out = self.fc2(out)
        out = self.relu2(out)
        out = self.fc3(out)
        out = self.relu3(out)
        out = self.fc4(out)

        return out

我编写的函数如下所示：

def print_layer_sparsity(model):
    for name,module in model.named_modules():
        if 'fc' in name:
            zeros = 100. * float(torch.sum(model.name.weight == 0))
            tot = float(model.name.weight.nelement())
            print("Sparsity in {}.weight: {:.2f}%".format(name, zeros/tot))

但它给了我以下错误：

torch.nn.modules.ModuleAttributeError:'FCN'对象没有属性'name'

当我手动输入图层名称（例如

（model.fc1.weight==0） （model.fc2.weight==0） （model.fc3.weight==0）

但我想让它独立于网络。换句话说，我想调整我的功能，在给定任何稀疏网络的情况下，它打印每一层的稀疏性。有什么建议吗

谢谢！！

试试：

getattr(model, name).weight

代替

model.name.weight

您的

print\u layer\u sparsity

功能变为：

def print\u layer\u稀疏性（模型）：
模型中的模块名称。命名为_modules（）：
如果名称中有“fc”：
零=100.*浮点（torch.sum（getattr（model，name.weight==0））
tot=float（getattr（model，name）.weight.neelement（））
打印（“稀疏度在{}.weight:{.2f}%.”格式（名称，零/tot））

您不能使用

model.name

，因为

name

是一个

str

。内置的

getattr

函数允许您使用对象名称作为字符串来获取对象的成员变量/属性

有关更多信息，请查看答案