pytorch数据的保存与加载（数据的持久化与高并发）

1. pytorch数据的保存与加载

模型训练的权重参数需要持久化以产生模型文件后再次加载，进而通过预测任务进行预测

# 序列化模型(数据保存)
x = torch.randn(2,3)
# 序列化即对此进行外部存储 使用torch.save方法（数据加载）
torch.save(x,"randn")
# 反序列化 对外部存储进行加载  使用torch.load()方法
x_load = torch.load("randn")
print(x_load)
---------------------------------------------------------------------
result:
tensor([[-0.6465, -0.4874,  0.5462],
        [-0.6568,  0.5683,  0.4019]])

2.并发量的获取与设置

# pytorch默认的线程数等于计算机内核数
threads = torch.get_num_threads()      # thread 线程
print(threads)                         # 我是八核处理器
# 通过
torch.set_num_threads(4)
threads_1 = torch.get_num_threads()
print(threads_1)
---------------------------------------------------------------------
result:
8
4