建设电子商务网站的步骤,陶瓷网站建设中企动力,江苏住房城乡建设部网站,浙江省建设信息港岗位证书查询参考
4.5 读取和存储
到目前为止,我们介绍了如何处理数据以及如何构建、训练和测试深度学习模型。然而在实际中,我们有时需要把训练好的模型部署到很多不同的设备。在这种情况下,我们可以把内存中训练好的模型参数存储在硬盘上供后续读取使用。
4.5.1 读写tensor
我们可以直…参考
4.5 读取和存储
到目前为止,我们介绍了如何处理数据以及如何构建、训练和测试深度学习模型。然而在实际中,我们有时需要把训练好的模型部署到很多不同的设备。在这种情况下,我们可以把内存中训练好的模型参数存储在硬盘上供后续读取使用。
4.5.1 读写tensor
我们可以直接使用save函数和load函数分别存储和读取Tensor。
下面的例子创建了Tensor变量x,并将其存储在文件名为x.pt的文件里.
import torch
import torch.nn as nnx torch.ones(3)
torch.save(x, x.pt)然后我们将数据从存储的文件读回内存
x2 torch.load(x.pt)
x2存储一个Tensor列表并返回
y torch.zeros(4)
torch.save([x, y], xy.pt)
xy_list torch.load(xy.pt)
xy_list存储并读取一个从字符串映射到Tensor的字典
torch.save({x: x,y: y
}, xy_dict.pt)
xy torch.load(xy_dict.pt)
xy4.5.2 读写模型
4.5.2.1 state_dict
static_dict是一个从参数名称映射到参数Tensor的字典对象
class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.hidden nn.Linear(3, 2)self.act nn.ReLU()self.output nn.Linear(2, 1)def forward(self, x):a self.act(self.hidden(x))return self.output(a)net MLP()
net.state_dict()注意,只有具有可学习参数的层(卷积层、线性层)才有 state_dict中的条目 optimizer torch.optim.SGD(net.parameters(), lr 0.001, momentum0.9)
optimizer.state_dict()4.5.2.2 保存和加载模型
PyTorch中保存和加载训练模型有两种常见的方法:
仅保存和加载模型参数(state_dict)保存和加载整个模型。
1. 保存加载static_dict(推荐方式) torch.save(model.state_dict(), PATH)
# 保存
torch.save(model.state_dict(), PATH)# 加载
model TheModelClass(*args, **kwargs)
model.load_state_dict(torch.laod(PATH))2. 保存和加载整个模型
# 保存
torch.save(model, PATH)# 加载
model torch.load(PATH)采用第一种方法来试验一下:
X torch.randn(2, 3)
Y net(X)PATH ./net.pt
torch.save(net.state_dict(), PATH)net2 MLP()
net2.load_state_dict(torch.load(PATH))
Y2 net2(X)Y2 Y
