pytorch 模型参数的保存与读取,tensorbordX可视化

1.pytorch 模型参数的保存与读取

# 保存整个网络
torch.save(net, PATH) 
# 保存网络中的参数, 速度快，占空间少
torch.save(net.state_dict(),PATH)

#针对上面一般的保存方法，加载的方法分别是：
model_dict=torch.load(PATH)
model_dict=model.load_state_dict(torch.load(PATH))

2.tensorbordX记录并显示 数值

from tensorboardX import SummaryWriter
writer = SummaryWriter('runs/scalar_example')
for i in range(10):
    writer.add_scalar('quadratic', i**2, global_step=i)
    writer.add_scalar('exponential', 2**i, global_step=i)

        其中：add_scalar(tag, scalar_value, global_step=None, walltime=None)
#tag (string): 数据名称，不同名称的数据使用不同曲线展示
#scalar_value (float): 数字常量值
#global_step (int, optional): 训练的 step
#walltime (float, optional): 记录发生的时间，默认为 time.time()

        需要注意，这里的 scalar_value 一定是 float 类型，如果是 PyTorch scalar tensor，则需要调用 .item() 方法获取其数值。我们一般会使用 add_scalar 方法来记录训练过程的 loss、accuracy、learning rate 等数值的变化，直观地监控训练过程。

保存完毕后,在命令行中，使用以下语句打开tensorboard

tensorboard --logdir=./runs/scalar_example

3.tensorbordX记录并画出网络模型图

 from tensorboardX import SummaryWriter
 writer = SummaryWriter('runs/model_graph')
 # 模型
 fake_img = torch.randn(1, 3, 32, 32) #生成假的图片作为输入
 
 lenet = LeNet(classes=2)            #以LeNet模型为例
 
 writer.add_graph(lenet, fake_img)  #模型及模型输入数据
 
 writer.close()

保存完毕后,在命令行中，使用以下语句打开tensorboard

tensorboard --logdir=./runs/model_graph