轉自莫煩大神，轉載原因是想把所有相關內容收集到自己的部落格中，方便系統的學習。

兩種儲存方法，1是儲存整個神經網路；2是隻儲存神經網路的所有引數。

一、儲存神經網路

1儲存整個神經網路。

 torch.save(net1,"net1.pkl")

net1為我想要儲存的網路，net1.pkl為檔名，儲存的格式只能是.pkl

2,儲存神經網路引數

torch.save(net1.state_dict(),"net1_parmaer.pkl") 

二、恢復神經網路

1恢復完整神經網路（直接load()）

net2=torch.load("net1.pkl
 
")

2.從引數中恢復神經網路

需先構建與所要恢復的神經網路相同結構，再load引數。

3，完整程式如下

import torch
import matplotlib.pyplot as plt
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)

def save():
    net1 = torch.nn.Sequential(
        torch.nn.Linear(
 
1, 10),  # 一層神經層
        torch.nn.ReLU(),  # 加激勵函式,relu相當於類
        torch.nn.Linear(10, 1),
    )
    optimizer=torch.optim.SGD(net1.parameters(),lr=0.5)
    loss_func=torch.nn.MSELoss()
    for t in range(100):
        prediction=net1(x)
        loss=loss_func(prediction,y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    
 
#畫圖
    plt.figure(1, figsize=(10, 3))
    plt.subplot(131)
    plt.title('Net1')
    plt.scatter(x.data.numpy(), y.data.numpy())   #實際資料
    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)     #迴歸曲線


    torch.save(net1,"net1.pkl")   #儲存整個神經網路
    torch.save(net1.state_dict(),"net1_parmaer.pkl")   #儲存神經網路中的所有引數

def restore_net():
    net2=torch.load("net1.pkl")
    prediction2=net2(x)

    plt.subplot(132)
    plt.title('Net2')
    plt.scatter(x.data.numpy(), y.data.numpy())   #實際資料
    plt.plot(x.data.numpy(), prediction2.data.numpy(), 'r-', lw=5)     #迴歸曲線


def restore_paramers():
    net3=torch.nn.Sequential(
        torch.nn.Linear(1, 10),  # 一層神經層
        torch.nn.ReLU(),  # 加激勵函式,relu相當於類
        torch.nn.Linear(10, 1),
    )
    net3.load_state_dict(torch.load("net1_parmaer.pkl"))  #先構建網路在，再載入引數
    prediction3 = net3(x)

    plt.subplot(133)
    plt.title('Net3')
    plt.scatter(x.data.numpy(), y.data.numpy())  # 實際資料
    plt.plot(x.data.numpy(), prediction3.data.numpy(), 'r-', lw=5)  # 迴歸曲線
    plt.show()

save()
restore_net()

執行結果：