pytorch碎碎念——保存提取

最新推荐文章于 2024-09-15 22:31:42 发布

大雾散去

最新推荐文章于 2024-09-15 22:31:42 发布

阅读量105

点赞数 1

文章标签： python 深度学习

本文链接：https://blog.csdn.net/qq_38880303/article/details/105467247

版权

本文介绍了如何在PyTorch中保存和提取深度学习网络，包括保存整个网络与仅保存网络参数，并通过实例展示了提取网络后的出图过程，强调在提取参数时需使用torch.nn.Sequential重新构建。

摘要由CSDN通过智能技术生成

导入固定的模块和创建数据（和数据的回归问题相同）

import torch
import numpy as np
import matplotlib.pyplot as plt
from torch.autograd import Variable
import torch.nn.functional as F
torch.manual_seed(1)#同样的随机初始化种子
#fake data
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
y=x.pow(2)+0.2*torch.rand(x.size())
x,y=Variable(x,requires_grad=False),Variable(y,requires_grad=False)

save net
分为保存整个网络和保存网络参数

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=0.02)
    loss_func= torch.nn.MSELoss()

    for t in range (1000):
        prediction = net1(x)#F.softmax(out)将数值转换成概率
        loss = loss_func(prediction,y)
        optimizer.zero_grad()#把梯度降维0
        loss.backward()#反向传递
        optimizer.step()#用optimizer优化过程

    torch.save(net1,'net.pkl')#保存整个网络
    torch.save(net1.state_dict(),'net_params.pkl')#保存网络参数

提取整个网络+出图

def restore_net():
    net2=torch.load('net.pkl')
    prediction=net2(x)
    #出图
    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)

提取网络参数+出图

def restore_params():
    net3=torch.nn.Sequential(
        torch.nn.Linear(1,10),
        torch.nn.ReLU(),
        torch.nn.Linear(10,1),
    )
    net3.load_state_dict(torch.load('net_params.pkl'))
    prediction = net3(x)
    #出图
    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()

调用功能，出图

save()
restore_net()
restore_params()

最终结果
三种网络图像一致可见三种图像基本一致
附完整代码
主要注意点在提取参数net时，要用torch.nn.Sequential再进行一遍搭建

import torch
import numpy as np
import matplotlib.pyplot as plt
from torch.autograd import Variable
import torch.nn.functional as F
torch.manual_seed(1)#同样的随机初始化种子
#fake data
x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1)
y=x.pow(2)+0.2*torch.rand(x.size())
x,y=Variable(x,requires_grad=False),Variable(y,requires_grad=False)

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=0.02)
    loss_func= torch.nn.MSELoss()

    for t in range (1000):
        prediction = net1(x)#F.softmax(out)将数值转换成概率
        loss = loss_func(prediction,y)
        optimizer.zero_grad()#把梯度降维0
        loss.backward()#反向传递
        optimizer.step()#用optimizer优化过程

    torch.save(net1,'net.pkl')#保存整个网络
    torch.save(net1.state_dict(),'net_params.pkl')#保存网络参数
    #出图
    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)
def restore_net():
    net2=torch.load('net.pkl')
    prediction=net2(x)
    #出图
    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)

def restore_params():
    net3=torch.nn.Sequential(
        torch.nn.Linear(1,10),
        torch.nn.ReLU(),
        torch.nn.Linear(10,1),
    )
    net3.load_state_dict(torch.load('net_params.pkl'))
    prediction = net3(x)
    #出图
    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()
save()
restore_net()
restore_params()