pytorch学习笔记（2020.09.22--网络保存与提取）

训练好了一个模型，想要保存它，留到下次要用的时候直接提取直接用，这就是这次学习的主要内容。

一. 保存

1.建造数据

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) 
y = x.pow(2) + 0.2*torch.rand(x.size()) 

注：

1. torch.unsqueeze(input, dim) ：返回在指定位置插入的尺寸为1的新张量（与原张量共用相同数据）。
2. torch.linspace（start，end，steps = 100…) ：返回 介于start和end之间的等距一维张量。

2.搭建网络

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()

3.训练数据

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

4.保存

torch.save(net1, 'net.pkl')  # save entire net
torch.save(net1.state_dict(), 'net_params.pkl')   # save only the parameters

二.提取

1.提取整个网络

net2 = torch.load('net.pkl')
prediction = net2(x)

2.提取网络参数

# restore only the parameters in net1 to net3
    net3 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )

    # copy net1's parameters into net3
    net3.load_state_dict(torch.load('net_params.pkl'))
    prediction = net3(x)

注：提取参数的方法，需要知道网络的形式，并需要先搭建一个相同的网络。

三.画图

1.net1

	plt.figure(1, figsize=(10, 3))
    plt.subplot(131)
    plt.title('Net1')
    plt.scatter(x.data.numpy(), y.data.numpy())
    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)

2.net2

  	plt.subplot(132)
    plt.title('Net2')
    plt.scatter(x.data.numpy(), y.data.numpy())
    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)

3.net3

	plt.subplot(133)
	plt.title('Net3')
	plt.scatter(x.data.numpy(), y.data.numpy())
	plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
	plt.show()

四 .结果

注：

1. 可以将上面的步骤定义为功能模块，避免代码的重复复制粘贴。
2. 学习参考pytorch官网和莫烦python。
3. 完整代码参考这里