莫烦PyTorch学习笔记(五)——模型的存取

---

本文主要是介绍如何对训练好的神经网络模型进行存取。
编辑器：spyder

1.快速搭建神经网络

这里采用上一节介绍的方法快速搭建一个小的神经网络：

def save():
    # save net1
    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()

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

2.模型的存储

模型的存储十分简单，这里我们提供两种存储方式：

torch.save(net1, 'net.pkl')  # 保存整个网络，包括整个计算图
torch.save(net1.state_dict(), 'net_params.pkl')   # 只保存网络中的参数 (速度快, 占内存少)

net1.state_dict()的方式可以获得当前模型的参数。两种方式模型的保存类型都是.pkl。

3.模型的提取

与模型的存储类似，模型的提取也有两种方式，下面将分别进行介绍。

• 提取整个网络

def restore_net():
    # restore entire net1 to net2
    net2 = torch.load('net.pkl')
    prediction = net2(x)

这种方式会获得原来的整个神经网络的参数及计算图，网络大的时候加载速度比较慢。

• 只提取网络参数

def restore_params():
    # 新建 net3
    net3 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )

    # 将保存的参数复制到 net3
    net3.load_state_dict(torch.load('net_params.pkl'))
    prediction = net3(x)

这种方法速度快，但是需要建立一个与原来网络结构相同的新网络，才能进行参数的复制。

4.网络提取后的测试效果

毫无疑问，三个网络是一模一样的。