Go容器化微服务系统实战|完结无密

超清原画 完整无密 包括所有视频课件以及源码 MP4格式 获取资料:https://www.zxit666.com/1854/

莫凡Pytorch教程（五）：Pytorch模型保管与提取

Pytorch模型保管与提取

本篇笔记主要对应于莫凡Pytorch中的3.4节。主要讲了如何运用Pytorch保管和提取我们的神经网络。

在Pytorch中，网络的存储主要运用torch.save函数来完成。

我们将经过两种方式展现模型的保管和提取。第一种保管方式是保管整个模型，在重新提取时直接加载整个模型。第二种保管办法是只保管模型的参数，这种方式只保管了参数，而不会保管模型的构造等信息。

两种方式各有优缺陷。

保管完好模型不需求晓得网络的构造，一次性保管一次性读入。缺陷是模型比拟大时耗时较长，保管的文件也大。
而只保管参数的方式存储快捷，保管的文件也小一些，但缺陷是丧失了网络的构造信息，恢复模型时需求提早树立一个特定构造的网络再读入参数。

以下运用代码展现。

数据生成与展现

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
复制代码

这里还是生成一组带有噪声的

y=x^{2}

y=x2数据停止回归拟合。

# torch.manual_seed(1)    # reproducible
# fake data
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size())  # noisy y data (tensor), shape=(100, 1)
复制代码

根本网络搭建与保管

我们运用nn.Sequential模块来快速搭建一个网络完成回归操作，网络由两层Linear层和中间的激活层ReLU组成。我们设置输入输出的维度为1，中间躲藏层变量的维度为10，以加快锻炼。

这里运用两种方式停止保管。

def save():
    # save net1
    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()
    
    for step in range(100):
        prediction = net1(x)
        loss = loss_func(prediction, y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
    # plot result
    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)
    plt.savefig("./img/05_save.png")
        
    torch.save(net1, 'net.pkl')                        # entire network
    torch.save(net1.state_dict(), 'net_params.pkl')    # parameters
复制代码

在这个save函数中，我们首先运用nn.Sequential模块构建了一个根底的两层神经网络。然后对其停止锻炼，展现锻炼结果。之后运用两种方式停止保管。

第一种方式直接保管整个网络，代码为

torch.save(net1, 'net.pkl')                        # entire network
复制代码

第二种方式只保管网络参数，代码为

torch.save(net1.state_dict(), 'net_params.pkl')    # parameters
复制代码

对保管的模型停止提取恢复

这里我们为两种不同存储方式保管的模型分别定义恢复提取的函数首先是对整个网络的提取。直接运用torch.load就能够，无需其他额外操作。

def restore_net():
    # 提取神经网络
    net2 = torch.load('net.pkl')
    prediction = net2(x)
    
    # plot result
    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)
    plt.savefig("./img/05_res_net.png")
复制代码

而关于参数的读取，我们首先需求先搭建好一个与之前保管的模型相同架构的网络，然后运用这个网络的load_state_dict办法停止参数读取和恢复。以下展现了运用参数方式读取网络的示例：

def restore_params():
    # 提取神经网络
    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'))
    prediction = net3(x)
    
    # plot result
    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.savefig("./img/05_res_para.png")
    plt.show()
复制代码

比照不同提取办法的效果

接下来我们比照一下这两种办法的提取效果

# save net1
save()
# restore entire net (may slow)
restore_net()
# restore only the net parameters
restore_params()