加载和保存张量
对于单个张量,我们可以直接调用load
和save
函数分别读写它们。这两个函数都要求我们提供一个名称,save
要求将要保存的变量作为输入
import torch
from torch import nn
from torch.nn import functional as F
x = torch.arange(4)
torch.save(x,'x-file')
将存储在文件中的数据读回内存
x2 = torch.load('x-file')
可以存储一个张量列表,然后把它们读回内存
y = torch.zeros(4)
torch.save([x, y],'x-files')
x2, y2 = torch.load('x-files')
(x2, y2)
甚至可以写入或读取从字符串映射到张量的字典。当我们要读取或写入模型中的所有权重时,这很方便
mydict = {'x': x, 'y': y}
torch.save(mydict, 'mydict')
mydict2 = torch.load('mydict')
加载和保存模型参数
需要用代码生成结构,然后从磁盘加载参数
class MLP(nn.Module):
def __init__(self):
super().__init__()
self.hidden = nn.Linear(20, 256)
self.output = nn.Linear(256, 10)
def forward(self, x):
return self.output(F.relu(self.hidden(x)))
net = MLP()
X = torch.randn(size=(2, 20))
Y = net(X
将模型的参数存储为一个叫做“mlp.params”的文件
torch.save(net.state_dict(), 'mlp.params')
clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()
由于两个实例具有相同的模型参数,在输入相同的X
时,两个实例的计算结果应该相同。让我们来验证一下
Y_clone = clone(X)
Y_clone == Y