Pytorch读写张量文件

目录

一、加载和保存张量

1、直接读写张量

2、读写张量列表

3、读写张量字典

二、加载和保存模型参数

---

一、加载和保存张量

1、直接读写张量

       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')

       我们现在可以将存储在文件中的数据读回内存。

x2 = torch.load('x-file')
print(x2)

tensor([0, 1, 2, 3])

2、读写张量列表

       我们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')
print(torch.load('x-files'))
# or
x2, y2 = torch.load('x-files')
print(x2, y2)

[tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.])]
tensor([0, 1, 2, 3]) tensor([0., 0., 0., 0.])

3、读写张量字典

       我们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')
print(mydict2)

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

二、加载和保存模型参数

       保存单个权重向量（或其他张量）确实有用，但是如果我们想保存整个模型，并在以后加载它们，单独保存每个向量则会变得很麻烦。毕竟，我们可能有数百个参数散布在各处。因此，深度学习框架提供了内置函数来保存和加载整个网络。需要注意的一个重要细节是，这将保存模型的参数而不是保存整个模型。例如，如果我们有一个3层多层感知机，我们需要单独指定架构。因为模型本身可以包含任意代码，所以模型本身难以序列化。因此，为了恢复模型，我们需要用代码生成架构，然后从磁盘加载参数。下面以多层感知机为例。

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)

       注意：这里不能用 net[0].state_dict() 来访问 MLP 隐藏层的参数，因为 net 是 MLP 类的一个实例，而不是一个包含多个子模块的 nn.Sequential 容器。因此，无法使用索引运算符 [] 来访问 net 对象的子模块。

       如果想获取 hidden 层的状态字典，你可以使用 state_dict() 方法直接在 net 对象上调用，如下所示：

print(net.hidden.state_dict())

同样也适用于ouput层：

print(net.output.state_dict())

请注意，这里使用的是 net.hidden 和 net.ouput，而不是 net[0]。

       接下来，我们将模型的参数存储在一个叫做“mlp.params”的文件中，.state_dict()的用法可以参考文章Pytorch神经网络的参数管理。

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。

clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
print(clone.eval())

MLP(
  (hidden): Linear(in_features=20, out_features=256, bias=True)
  (output): Linear(in_features=256, out_features=10, bias=True)
)

       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

tensor([[True, True, True, True, True, True, True, True, True, True],
        [True, True, True, True, True, True, True, True, True, True]])