pytorch如何保存和提取已经训练好的神经网络？

1、构造数据，搭建网络

torch.manual_seed(1)    # reproducible

# 假数据
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():
    # 建网络
    net1 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )
    optimizer = torch.optim.SGD(net1.parameters(), lr=0.5)
    loss_func = torch.nn.MSELoss()

    # 训练
    for t in range(100):
        prediction = net1(x)
        loss = loss_func(prediction, y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

2、法一： 保存和提取

（这种方式将会保存提取整个神经网络, 神经网络大的时候可能会比较慢）

torch.save(net1, 'net.pkl')  # 保存整个网络

def restore_net():#提取整个网络
    # restore entire net1 to net2
    net2 = torch.load('net.pkl')
    prediction = net2(x)

3、法二： 保存和提取

（只保存网络中的参数 ，速度快, 占内存少）

torch.save(net1.state_dict(), 'net_params.pkl')   #只保存网络中的参数

#只提取网络参数，这种方式将会提取所有的参数, 然后再放到你的新建网络中.
def restore_params():
    # 新建 net3
    net3 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )
    # 将保存的参数复制到 net3
    net3.load_state_dict(torch.load('net_params.pkl'))
    prediction = net3(x)