简单详细搭建网站教程,wordpress文件夹分类名称,婚纱摄影网站管理系统,青岛做教育的网站在深度学习的过程中#xff0c;需要将训练好的模型运用到我们要使用的另一个程序中#xff0c;这就需要模型的下载与转移操作
代码#xff1a;
import math
import torch
from torch import nn
from d2l import torch as d2l
import matplotlib.pyplot as plt# 生成随机的…在深度学习的过程中需要将训练好的模型运用到我们要使用的另一个程序中这就需要模型的下载与转移操作
代码
import math
import torch
from torch import nn
from d2l import torch as d2l
import matplotlib.pyplot as plt# 生成随机的数据集
max_degree 20 # 多项式的最大阶数
n_train, n_test 100, 100 # 训练和测试数据集大小
true_w torch.zeros(max_degree)
true_w[0:4] torch.Tensor([5, 1.2, -3.4, 5.6])# 生成特征
features torch.randn((n_train n_test, 1))
permutation_indices torch.randperm(features.size(0))
# 使用随机排列的索引来打乱features张量原地修改
features features[permutation_indices]
poly_features torch.pow(features, torch.arange(max_degree).reshape(1, -1))
for i in range(max_degree):poly_features[:, i] / math.gamma(i 1)# 生成标签
labels torch.matmul(poly_features, true_w)
labels torch.normal(0, 0.1, sizelabels.shape)# 以下是你原来的训练函数没有修改
def evaluate_loss(net, data_iter, loss):metric d2l.Accumulator(2)for X, y in data_iter:out net(X)y y.reshape(out.shape)l loss(out, y)metric.add(l.sum(), l.numel())return metric[0] / metric[1]def l2_penalty(w):w w[0].weightreturn torch.sum(w.pow(2)) / 2def train(train_features, test_features, train_labels, test_labels, lambd,num_epochs100):loss d2l.squared_lossinput_shape train_features.shape[-1]net nn.Sequential(nn.Linear(input_shape, 1, biasFalse)) # 模型batch_size min(10, train_labels.shape[0])train_iter d2l.load_array((train_features, train_labels.reshape(-1, 1)),batch_size)test_iter d2l.load_array((test_features, test_labels.reshape(-1, 1)),batch_size, is_trainFalse)# 用于存储训练和测试损失的列表train_losses []test_losses []total_loss 0total_samples 0for epoch in range(num_epochs):for X, y in train_iter:out net(X)y y.reshape(-1, 1) # 确保y是二维的l loss(out, y) lambd * l2_penalty(net)# 反向传播和优化器更新l.sum().backward()d2l.sgd(net.parameters(), lr0.01, batch_size batch_size)total_loss l.sum().item() # 统计所有元素损失total_samples y.numel() # 统计个数a total_loss / total_samples # 本次训练的平均损失train_losses.append(a)test_loss evaluate_loss(net, test_iter, loss)test_losses.append(test_loss)total_loss 0total_samples 0print(fEpoch {epoch 1}/{num_epochs}:)print(f训练损失 {a:.4f} 测试损失 {test_loss:.4f} )print(net[0].weight)torch.save(net.state_dict(), NetSave) # 存模型net_try nn.Sequential(nn.Linear(input_shape, 1, biasFalse))print(net_try)print(net_try[0].weight)net_try.load_state_dict(torch.load(NetSave))net_try.eval() # 评估模式print(net_try_load)print(net_try[0].weight)# 绘制损失曲线plt.figure(figsize(10, 6))plt.plot(train_losses, labeltrain, colorblue, linestyle-, marker.)plt.plot(test_losses, labeltest, colorpurple, linestyle--, marker.)plt.xlabel(epoch)plt.ylabel(loss)plt.title(Loss over Epochs)plt.legend()plt.grid(True)plt.ylim(0, 1) # 设置y轴的范围从0.01到100plt.show()# 选择多项式特征中的前4个维度
train(poly_features[:n_train, :4], poly_features[n_train:, :4],labels[:n_train], labels[n_train:], 0)## net.parameters() 是一个 PyTorch 模型的方法用于返回模型所有参数的迭代器。这个迭代器产生模型中所有可学习的参数例如权重和偏置。上述代码的模型是简单线性模型
net nn.Sequential(nn.Linear(input_shape, 1, biasFalse)) # 模型此模型的下载与储存如下 torch.save(net.state_dict(), NetSave) # 存模型net_try nn.Sequential(nn.Linear(input_shape, 1, biasFalse)) # 搭建模型框架print(net_try)print(net_try[0].weight)net_try.load_state_dict(torch.load(NetSave)) # 下载模型net_try.eval() # 评估模式print(net_try_load)print(net_try[0].weight)效果
所以说要想在另一个程序中将训练好的模型加载到上面去首先要保存训练好的模型另一个程序必须有和本模型一样的框架再将训练好的模型权重加载到另一个程序框架内即可
