【动手学深度学习Pycharm实现8】Pytorch神经网络参数的保存与读取

前言

很久没更新了，第一个原因是学校的课程任务，第二个原因是在kaggle实战去了，我参加的是泰坦尼克那个比赛，调了快一周的代码，收获也是不小，感受最大的就是：在机器学习的任务中，非常非常重要的就是特征工程，同样的模型，一个好的特征处理工程能让你的准确率提升百分之几，在kaggle上这能让你的排名上升非常多，这是一篇kaggle经验文章，也可以看csdn上的中译版：中译版点这里，我看完之后感觉受益良多。然后，步入正题：今天笔记的主题就是Pytorch神经网络参数的保存与读取了。

---

环境配置：

python版本：3.8.6
torch版本：1.11.0

导入的库：

import torch
from torch import nn

一、创建一个简单神经网络

多层感知机：

net = nn.Sequential(
    nn.Linear(5, 2),
    nn.ReLU(),
    nn.Linear(2, 1)
)

这里的net其实就是nn.Sequential这个类的实例，

二、保存神经网络参数

torch.save(net.state_dict(), 'net.params')

!!! 注意：这里只是保存了神经网络的参数，而没有保存神经网络的结构，也就是说，如果我们后面要读取参数，必须要创建一个与之前相同结构的神经网络。

三、克隆之前的网络

net_clone = nn.Sequential(
    nn.Linear(5, 2),
    nn.ReLU(),
    nn.Linear(2, 1)
)

四、克隆的网络加载本体网络保存的参数

net_clone.load_state_dict(torch.load('net.params'))

五、验证两个网络参数是否一致

print('net:', net.state_dict())
print('net_clone:', net_clone.state_dict())

输出结果如下：

参数一致，保存成功！
或许会有细心的小伙伴发现，为什么只有"0"层和 "2"层的参数，"1"层的呢？其实这里"1"层是ReLU激活层，没有参数，所以没有显示出来了。

附：总代码

我真的没有在凑字数

import torch
from torch import nn

net = nn.Sequential(
    nn.Linear(5, 2),
    nn.ReLU(),
    nn.Linear(2, 1)
)

torch.save(net.state_dict(), 'net.params')

net_clone = nn.Sequential(
    nn.Linear(5, 2),
    nn.ReLU(),
    nn.Linear(2, 1)
)

net_clone.load_state_dict(torch.load('net.params'))

print('net:', net.state_dict())
print('net_clone:', net_clone.state_dict())

---