本篇部落格主要介紹如何在PyTorch中儲存和載入模型訓練的結果。

對訓練結果進行儲存，有兩種方式，一種是儲存整個網路，另一種是儲存訓練好的引數，相對而言，第二種方式具有更高的效率。

下面是示例程式碼：

import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt


# 生成假資料
# torch.unsqueeze() 的作用是將一維變二維，torch只能處理二維的資料
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape(100, 1)
# 0.2 * torch.rand(x.size())增加噪點
y = x.pow(2) + 0.2 + 0.2 * torch.rand(x.size())

# 將Tensor轉換為torch
x, y = Variable(x, requires_grad=False), Variable(y, requires_grad=False)

# 儲存神經網路


def save():
    # 搭建神經網路
    net1 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )

    # 優化器:隨機梯度下降
    optimizer = torch.optim.SGD(net1.parameters(), lr=0.5)

    # 損失函式：均方差
    loss_func = torch.nn.MSELoss()

    # 訓練100步
    for i in range(100):
        prediction = net1(x)
        # 求誤差
        loss = loss_func(prediction, y)
        # 優化
        optimizer.zero_grad()
        # 反向傳播
        loss.backward()
        optimizer.step()
    # 繪圖
    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)
    # 儲存
    torch.save(net1, 'net.pkl')  # save entire net
    torch.save(net1.state_dict(), 'net_params.pkl')   # save parameters


# 提取神經網路：儲存整個網路的形式
def restore_net():
    net2 = torch.load('net.pkl')
    prediction = net2(x)
    # 繪圖
    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)


# 提取神經網路：儲存網路引數的方式
# 這種方式速度更快
def restore_params():
    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)
    # 繪圖
    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.show()

save()

restore_net()

restore_params()
 

執行結果：