PyTorch学习笔记5——保存和提取神经网络

对训练到某一步的神经网络可以通过保存为pkl文件，下次再想继续训练实验时直接提取。
神经网络的保存和提取分为对整个神经网络保存和提取、对神经网络的参数保存和提取。

# 保存提取整个神经网络
torch.save(net1,'net.pkl')
net2=torch.load('net.pkl')

# 保存和提取神经网络的参数
torch.save(net1.state_dict(),'net_params.pkl')
  # 提取神经网络参数需要先建立同样的神经网络
  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'))

示例代码：

import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
import torch.nn.functional as F
import numpy as np

'''
P13 保存和提取神经网络
'''
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(2) + 0.2 * torch.rand(x.size())
x, y = Variable(x, requires_grad=False), Variable(y, requires_grad=False)


def save():
    # 保存神经网络
    net1 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )
    optimizer = torch.optim.SGD(net1.parameters(), lr=0.2)
    loss_func = torch.nn.MSELoss()

    prediction = Variable(torch.rand(x.size()))
    for t in range(100):
        prediction = net1(x)
        loss = loss_func(prediction, y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    torch.save(net1, 'net.pkl')  # 保存整个神经网络
    torch.save(net1.state_dict(), 'net_params.pkl')  # 保存神经网络的所有参数

    # 绘图
    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)


def restore_net():
    # 提取神经网络
    net2 = torch.load('net.pkl')
    prediction = net2(x)
    # 绘图
    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)

def restore_params():
    # 提取神经网络参数，需要先建立同类型的网络，再提取参数
    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'))  # 这种方式比较提取整个神经网络更快速
    prediction = net3(x)
    # 绘图
    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)


save()
restore_net()
restore_params()
plt.show()