【关于torch.save和pickle.dump保存网络结构的方法】

本片文章主要介绍通过torch.save和pickle.dump保存网络结构的两种方式以及其中的区别，关于torch.save的部分参考这篇文章

法1：torch.save

1、保存网络

import torch 
torch.save(model, 'path/to/save/model.pkl')

其中，上述.save函数保存了完整网络，使用torch.save(model.state_dict(), 'model_params.pkl') 可仅保存网络参数到字典中，具体参考这篇文章
2、提取网络

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

法2：pickle

1、保存网络

import pickle    
with open("path/to/save/model.pkl", "wb") as f:
    pickle.dump(model, f)

在上述代码中，"path/to/save/model.pkl"是你要保存的文件路径。注意，文件的扩展名为.pkl，这是常用的用于保存Python对象的扩展名。

2、提取网络
要加载并使用这个保存的网络结构，你可以使用pickle.load()函数：

with open("path/to/save/model.pkl", "rb") as f:
    model = pickle.load(f)

这里的"path/to/save/model.pkl"是你之前保存网络结构的文件路径。通过pickle.load()函数，你可以将保存的网络结构加载到model变量中，然后使用它进行预测或其他操作。

请确保将"path/to/save/model.pkl"替换为实际的文件路径。

两个函数的区别

torch.save()和pickle.dump()都是常用的保存Python对象的方法，它们都可以用来保存神经网络结构的参数。

以下是它们各自的优缺点：

torch.save()的优点

torch.save()函数是PyTorch官方提供的函数，被广泛使用和推荐；
它被设计用于保存PyTorch模型和参数，并支持在之后快速加载。

torch.save()的缺点

1、保存的数据需要使用PyTorch版本的load()函数才能被加载，不兼容其他的Python序列化库；
2、保存的信息比较庞大，需要一定的存储空间。

pickle.dump()的优点

1、pickle.dump()函数是Python标准库提供的函数，支持保存和加载任何Python对象，包括神经网络结构的参数；
2、保存的数据可以通过Python标准库的pickle.load()函数加载，并且与其他Python序列化库兼容；
3、许多科学计算库，如NumPy、Pandas和SciPy，都支持使用pickle来保存和加载数据，方便与这些库的数据交互。

pickle.dump()的缺点

1、保存和加载速度相对较慢；
2、保存的数据可能不便于读取或显示，因为它使用较底层的二进制格式来保存数据，而不是人类可读的格式。（使用.pkl文件都有这个缺点）

总体来说，torch.save()函数适用于PyTorch模型和参数的保存和加载，而pickle.dump()函数适用于通用Python对象的保存和加载。选择使用哪种函数，取决于需求和应用环境。