pytorch保存和提取神经网络的状态

神经网络的保存和提取

如果想要保存训练到当前状态的神经网络，为了第二天继续训练或者是提取，可以现将当前的状态保存下来

保存可以保存整个神经网络，也可以保存参数

提取，可以直接提取整个神经网络，也可以提取参数，构造一个一模一样的神经网络，直接把参数用于里面

import numpy as np
import torch
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt


# 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():
    #快速搭建法搭建一个神经网络
    net1 = torch.nn.Sequential(
            torch.nn.Linear(1,10),
            torch.nn.ReLU(),
            torch.nn.Linear(10,1)
        )
    optimizer = torch.optim.SGD(net1.parameters(),lr = 0.5)
    loss_func = torch.nn.MSELoss()
    
    
    #训练一百步
    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') #储存整个神经网络
    torch.save(net1.state_dict(),'net_param.pkl') #保存的是神经网络的parameters
    
    #画图
    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')
    #就可以直接提取整个神经网络包括参数了
    prediction = net2(x)
    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)
        )
    #这种只提取参数的方法，需要重新构造一个核原来相同的神经网络
    net3.load_state_dict(torch.load('net_param.pkl')) #听说这种方法快一些
    prediction = net3(x)
    
    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()