欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

莫烦PyTorch学习笔记(五)——模型的存取

程序员文章站 2022-07-06 14:12:20
...

莫烦PyTorch学习笔记(五)——模型的存取


本文主要是介绍如何对训练好的神经网络模型进行存取。
编辑器:spyder

1.快速搭建神经网络

这里采用上一节介绍的方法快速搭建一个小的神经网络:

def save():
    # save net1
    net1 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )
    optimizer = torch.optim.SGD(net1.parameters(), lr=0.5)
    loss_func = torch.nn.MSELoss()

    for t in range(100):
        prediction = net1(x)
        loss = loss_func(prediction, y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

2.模型的存储

模型的存储十分简单,这里我们提供两种存储方式:

torch.save(net1, 'net.pkl')  # 保存整个网络,包括整个计算图
torch.save(net1.state_dict(), 'net_params.pkl')   # 只保存网络中的参数 (速度快, 占内存少)

net1.state_dict()的方式可以获得当前模型的参数。两种方式模型的保存类型都是.pkl

3.模型的提取

与模型的存储类似,模型的提取也有两种方式,下面将分别进行介绍。

  • 提取整个网络
def restore_net():
    # restore entire net1 to net2
    net2 = torch.load('net.pkl')
    prediction = net2(x)

这种方式会获得原来的整个神经网络的参数及计算图,网络大的时候加载速度比较慢。

  • 只提取网络参数
def restore_params():
    # 新建 net3
    net3 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )

    # 将保存的参数复制到 net3
    net3.load_state_dict(torch.load('net_params.pkl'))
    prediction = net3(x)

这种方法速度快,但是需要建立一个与原来网络结构相同的新网络,才能进行参数的复制。

4.网络提取后的测试效果

莫烦PyTorch学习笔记(五)——模型的存取
毫无疑问,三个网络是一模一样的。