Pytorch读写文件

所有文件都是保存在pytorch文件的同一个目录下。

1.加载和保存张量

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

x = torch.arange(4)
torch.save(x, 'x-file')

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。x-file是文件名。

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

我们也可以存储一个张量列表，也就是多个张量。

y = torch.zeros(4)
torch.save([x, y],'x-files')
x2, y2 = torch.load('x-files')
(x2, y2)

然后把它们读回内存。

 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')
mydict2

 2.加载和保存模型参数

定义任意一个模型，将模型存储在mlp.params的文件中。

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)
torch.save(net.state_dict(), 'mlp.params')

然后是读取。第一行代码是声明一下这个模型；第二行是读取这个模型存储在文件里的参数；第三行可以理解为让模型“准备好”，以便下面的语句接收测试数据

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

参考文献：

《动手学深度学习》 — 动手学深度学习 2.0.0-beta0 documentationhttps://zh-v2.d2l.ai/