读写文件

import torch
from torch import nn
from torch.nn import functional as F

x = torch.arange(4)
torch.save(x, 'x-file')#保存单个张量
x2 = torch.load('x-file')#读取单个张量
print(x2)

y = torch.zeros(4)
torch.save([x, y],'x-files')#保存张量列表
x2, y2 = torch.load('x-files')#读取张量列表
(x2, y2)#(tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.]))

'''
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')
mydict2#{'x': tensor([0, 1, 2, 3]), 'y': tensor([0., 0., 0., 0.])}

加载和保存模型参数
这将保存模型的参数而不是保存整个模型

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)

#将模型的参数存储在一个叫做“mlp.params”的文件中
torch.save(net.state_dict(), 'mlp.params')

'''
为了恢复模型，我们实例化了原始多层感知机模型的一个备份。 这里我们不需要随机初始化模型参数，而是直接读取文件中存储的参数。
eval函数就是进入评估模式，即是不调用dropout函数
'''
clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()