Pytorch 保存和提取训练好的神经网络
在pytorch中，保存神经网络用方法：
torch.save(net, 'net.pkl')
提取神经网络用方法：
torch.load('net.pkl')
保存神经网络有两种方式：
1、保存整个网络
torch.save(net, 'net.pkl')
这种方法能最大程度的保留网络的所有信息，缺点是读取网络时速度稍慢
2、保存网络的状态信息
torch.save(net.state_dict(), 'net_params.pkl')
这种方法只保留网络当前的状态信息，保存和读取速度快，保存的pkl文件体积小，缺点是在读取网络时需要自行先构建网络，否则无法还原信息
示例：
import torch
import torch.nn.functional as F
from torch.autograd import Variable
import matplotlib.pyplot as plt
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(2) + 0.2 * torch.rand(x.size())
x, y = Variable(x).cuda(), Variable(y).cuda()
# 保存网络
def save():
net = torch.nn.Sequential(
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1),
).cuda()
optimizer = torch.optim.SGD(net.parameters(), lr=0.5)
loss_func = torch.nn.MSELoss()
for t in range(300):
prediction = net(x)
loss = loss_func(prediction, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
plt.figure(1, figsize=(10,3))
plt.subplot(131)
plt.scatter(x.data.cpu().numpy(), y.data.cpu().numpy())
plt.plot(x.data.cpu().numpy(), prediction.data.cpu().numpy(), 'r-', lw=5)
# 保存整个网络
torch.save(net, 'net.pkl')
# 保存网络当前的状态
torch.save(net.state_dict(), 'net_params.pkl')
# 提取整个网络
def restore_net():
net = torch.load('net.pkl').cuda()
prediction = net(x)
plt.figure(1, figsize=(10, 3))
plt.subplot(132)
plt.scatter(x.data.cpu().numpy(), y.data.cpu().numpy())
plt.plot(x.data.cpu().numpy(), prediction.data.cpu().numpy(), 'r-', lw=5)
# 提取网络状态
def restore_params():
net = torch.nn.Sequential(
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1),
).cuda()
net.load_state_dict(torch.load('net_params.pkl'))
prediction = net(x)
plt.figure(1, figsize=(10, 3))
plt.subplot(133)
plt.scatter(x.data.cpu().numpy(), y.data.cpu().numpy())
plt.plot(x.data.cpu().numpy(), prediction.data.cpu().numpy(), 'r-', lw=5)
save()
restore_net()
restore_params()
plt.show()
图一为保存的神经网络，图二、三分别为用不同方法提取的神经网络，可以看到，两种提取方式的结果是一致的