python保存模型_Python:保存和提取模型,Pytorch

import torch

import torch.nn.functional as F # 激励函数都在这

import matplotlib.pyplot as plt

torch.manual_seed(0) # 为了使每次随机生成的数据都是一样的

# 生成训练数据

n_data = torch.ones(100, 2) # 数据的基本形态，全1矩阵，shape=（100，2）

x0 = torch.normal(2 * n_data, 1) # 类型0 x data (tensor), shape=(100, 2)

y0 = torch.zeros(100) # 类型0 y data (tensor), shape=(100, )

x1 = torch.normal(-2 * n_data, 1) # 类型1 x data (tensor), shape=(100, 1)

y1 = torch.ones(100) # 类型1 y data (tensor), shape=(100, )

# 注意 x, y 数据的数据形式是一定要像下面一样 (torch.cat 是在合并数据)

x = torch.cat((x0, x1), 0)

y = torch.cat((y0, y1), 0).type(torch.long)

# 为y改变一下数据类型，因为网络的输出结果是long类型，在计算loss时需要匹配

class Net(torch.nn.Module):

def __init__(self, n_feature, n_hidden, n_output):

super(Net, self).__init__() # 继承 __init__ 功能

self.hidden = torch.nn.Linear(n_feature, n_hidden) # 隐藏层线性输出

self.predict = torch.nn.Linear(n_hidden, n_output) # 输出层线性输出

def forward(self, x): # 这同时也是 Module 中的 forward 功能

x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值)

y = F.softmax(self.predict(x)) # 输出值

return y

if __name__ == '__main__':

# 声明一个网络

net = Net(n_feature=2, n_hidden=10, n_output=2)

# optimizer 是训练的工具

optimizer = torch.optim.SGD(net.parameters(), lr=0.02)

loss_func = torch.nn.CrossEntropyLoss()

for t in range(100):

res = net(x) # 喂给 net 训练数据 x, 输出分析值

loss = loss_func(res, y) # 计算两者的误差

optimizer.zero_grad() # 清空上一步的残余更新参数值

loss.backward() # 误差反向传播, 计算参数更新值

optimizer.step() # 将参数更新值施加到 net 的 parameters 上

plt.figure(figsize=(12,4))

prediction = torch.max(net(x), 1)[1]

plt.subplot(131, title='net')

plt.scatter(x[:, 0], x[:, 1], c=prediction, lw=0, cmap='RdYlGn')

torch.save(net, 'data/models/classnet.pkl') # 保存整个网络（结构+参数）

torch.save(net.state_dict(), 'data/models/classnet_params.pkl') # 只保存网络中的参数 (速度快, 占内存少)

net2=torch.load('data/models/classnet.pkl')

prediction2 = torch.max(net2(x), 1)[1]

plt.subplot(132, title='net2')

plt.scatter(x[:, 0], x[:, 1], c=prediction2, lw=0, cmap='RdYlGn')

net3=Net(n_feature=2, n_hidden=10, n_output=2)

# 将保存的参数复制到 net3

net3.load_state_dict(torch.load('data/models/classnet_params.pkl'))

prediction3 = torch.max(net3(x), 1)[1]

plt.subplot(133, title='net3')

plt.scatter(x[:, 0], x[:, 1], c=prediction3, lw=0, cmap='RdYlGn')

print(net(torch.tensor([2., 5.])))

print(net2(torch.tensor([2., 5.])))

print(net2(torch.tensor([3., 5.])))

print(net3(torch.tensor([2., 5.])))

print(net3(torch.tensor([3., 2.])))

plt.show()