Python PyTorch:What'；状态和参数（）之间的区别是什么？

为了在pytorch中访问模型的参数，我看到了两种方法：

使用和使用

我想知道有什么区别，或者一个是好习惯，另一个是坏习惯

谢谢参数（）仅提供模块参数，即重量和偏差

返回模块参数的迭代器

您可以检查参数列表，如下所示：

for name, param in model.named_parameters():
    if param.requires_grad:
        print(name)

另一方面，返回包含模块整个状态的字典。检查its，它不仅包含对

参数的调用

，还包含

缓冲区

等

包括参数和持久缓冲区（例如运行平均值）。键是相应的参数和缓冲区名称

使用以下方法检查

state\u dict

包含的所有钥匙：

model.state_dict().keys()

例如，在

state\u dict

中，您会发现

bn1.running\u意味着
和
running\u var
，它们在
.parameters（）
中不存在


如果你只想访问参数，你可以简单地使用
.parameters（）
，而为了像在迁移学习中那样保存和加载模型，你需要保存
state_dict
，而不仅仅是参数。
除了@kHarshit的答案不同，属性
需要
net.parameters（）
中可训练张量的梯度
为
True
，而
net.state\u dict（）
是否还有第三种访问参数的方法，对于向量运算返回所有参数的张量？我想
参数（）
是返回所有参数的最简单方法（可能是唯一方法）。其他方法，如果存在的话，可能只需要调用它。如果你能看看我的另一个问题，并提出实现更新规则的正确方法，我将非常感谢有人能解释为什么会有这种差异吗？？此外，我实际上使用torch.equal从model.named_parameters和model.state_dict映射张量，甚至在运行back pass之前（因此没有更新），这两个张量是不同的。任何关于为什么会这样的想法。