对训练到某一步的神经网络可以通过保存为pkl文件,下次再想继续训练实验时直接提取。
神经网络的保存和提取分为对整个神经网络保存和提取、对神经网络的参数保存和提取。
# 保存提取整个神经网络
torch.save(net1,'net.pkl')
net2=torch.load('net.pkl')
# 保存和提取神经网络的参数
torch.save(net1.state_dict(),'net_params.pkl')
# 提取神经网络参数需要先建立同样的神经网络
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'))
示例代码:
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torch.nn.functional as F
import numpy as np
'''
P13 保存和提取神经网络
'''
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():
# 保存神经网络
net1 = torch.nn.Sequential(
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1)
)
optimizer = torch.optim.SGD(net1.parameters(), lr=0.2)
loss_func = torch.nn.MSELoss()
prediction = Variable(torch.rand(x.size()))
for t in range(100):
prediction = net1(x)
loss = loss_func(prediction, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
torch.save(net1, 'net.pkl') # 保存整个神经网络
torch.save(net1.state_dict(), 'net_params.pkl') # 保存神经网络的所有参数
# 绘图
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():
# 提取神经网络
net2 = torch.load('net.pkl')
prediction = net2(x)
# 绘图
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():
# 提取神经网络参数,需要先建立同类型的网络,再提取参数
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')) # 这种方式比较提取整个神经网络更快速
prediction = net3(x)
# 绘图
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)
save()
restore_net()
restore_params()
plt.show()