![4a2b51f2792eeff7f1680c4172d3419f.png](https://i-blog.csdnimg.cn/blog_migrate/e5fdfe63631c28a207853739689ce6e5.png)
使用pytorch进行网络模型的搭建、保存与加载,是非常快速、方便的、妙不可言的。
搭建ConvNet
所有的网络都要继承torch.nn.Module,然后在构造函数中使用torch.nn中的提供的接口定义layer的属性,最后,在forward函数中将各个layer连接起来。
下面,以LeNet为例:
class
这样一来,我们就搭建好了网络模型,是不是很简洁明了呢?此外,还可以使用torch.nn.Sequential,更方便进行模块化的定义,如下:
class
Module有很多属性,可以查看权重、参数等等;如下:
net = lenet.LeNet()
print(net)
for param in net.parameters():
print(type(param.data), param.size())
print(list(param.data))
print(net.state_dict().keys())
#参数的keys
for key in net.state_dict():#模型参数
print key, 'corresponds to', list(net.state_dict()[key])
那么,如何进行参数初始化呢?使用 torch.nn.init ,如下:
def
保存ConvNet
使用torch.save()对网络结构和模型参数的保存,有两种保存方式:
- 保存整个神经网络的的结构信息和模型参数信息,save的对象是网络net;
- 保存神经网络的训练模型参数,save的对象是net.state_dict()。
torch.save(net1, 'net.pkl') # 保存整个神经网络的结构和模型参数
torch.save(net1.state_dict(), 'net_params.pkl') # 只保存神经网络的模型参数
加载ConvNet
对应上面两种保存方式,重载方式也有两种。
- 对应第一种完整网络结构信息,重载的时候通过torch.load(‘.pth’)直接初始化新的神经网络对象即可。
- 对应第二种只保存模型参数信息,需要首先导入对应的网络,通过net.load_state_dict(torch.load('.pth'))完成模型参数的重载。
在网络比较大的时候,第一种方法会花费较多的时间,所占的存储空间也比较大。
# 保存和加载整个模型
torch.save(model_object, 'model.pth')
model = torch.load('model.pth')
# 仅保存和加载模型参数
torch.save(model_object.state_dict(), 'params.pth')
model_object.load_state_dict(torch.load('params.pth'))
---------------------------------------------------------------------------------------------------------------------------
在各方小伙伴的努力和支持下,pytorch中文文档第一版终于上线啦!!!(鼓掌)文档还有很多小瑕疵,但是大体可以放心使用了~我们遵循快速迭代的原则,所以赶紧上线第一版来接受广大开源社区的意见和建议。欢迎加入我们!
pytorch中文文档:http://pytorch-cn.readthedocs.io/zh/latest/
github项目地址:awfssv/pytorch-cn
中文翻译组QQ群:628478868
还有pytorch项目交流群:613523596
欢迎关注!