简单构建神经网络及保存模型

参考学习【莫烦Python】PyTorch 神经网络

大体步骤：

1. 收集数据
2. 定义神经网络模型
3. 训练网络

1.神经网络搭建大体框架及定义

# 构建网络模型
class Net(torch.nn.Module):  # 继承 torch 的 Module
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()
        # 定义每层用什么样的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)  # 隐藏层线性输出  , 介绍课的神经网络结构图 , n_hidden--神经元个数
        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
        # 正向传播输入值, 神经网络分析出输出值
        x = F.relu(self.hidden(x))  # 激励函数(隐藏层的线性值)  激励函数激活经过hidden层加工过的数据
        x = self.predict(x)  # 输出值
        return x

# method1
# 定义神经网络
net = Net(n_feature=2, n_hidden=10, n_output=2)  # 几个类别就几个 output
print(net)



# method2 快速搭建法
net = torch.nn.Sequential(
    torch.nn.Linear(2,10),
    torch.nn.ReLU(),
    torch.nn.Linear(10,2)
)

2.保存提取模型

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

# 定义数据
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # unsqueeze使其二维，  dim-维度
y = x.pow(2) + 0.2 * torch.rand(x.size())


def save():
    # 建网络
    net1 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )
    
    # 优化神经网络
	# optimizer 是训练的工具
    optimizer = torch.optim.SGD(net1.parameters(), lr=0.5) # 传入 net 的所有参数, 学习率 - 神经网络参数， 学习效率
    loss_func = torch.nn.MSELoss() # 计算误差， MSELoss-均方差  - 预测值和真实值的误差计算公式 (均方差)

    # 训练
    for t in range(100):
        prediction = net1(x)
        loss = loss_func(prediction, y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    prediction = net1(x)
    torch.save(net1, 'net.pkl')  # 保存整个网络
    torch.save(net1.state_dict(), 'net_params.pkl')  # 只保存网络中的参数 (速度快, 占内存少)

    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)


# 这种方式将会提取整个神经网络, 网络大的时候可能会比较慢.
def restore_net():
    # restore entire net1 to net2
    net2 = torch.load('net.pkl')
    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)


# 这种方式将会提取所有的参数, 然后再放到你的新建网络中.
def restore_params():
    # 新建 net3
    net3 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )
    # 将保存的参数复制到 net3
    net3.load_state_dict(torch.load('net_params.pkl'))
    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()


# 保存 net1 (1. 整个网络, 2. 只有参数)
save()

# 提取整个网络
restore_net()

# 提取网络参数, 复制到新网络
restore_params()