Pytorch 笔记 -- model模型

1. 保存载入模型

import torch
torch.save(model,'model_name')  #将网络模型、模型参数全部保存
torch.save(model.state_dict(),'model_name.pkl')  #只保存模型参数

两种载入方式也不相同

torch.load('model_name')

from torchvision import models
model = models.resnet18()   #载入网络
model.load_state_dict(torch.load('model_name.pkl')) #载入参数

2. 查看模型参数

for param_name, param in model.named_parameters():
	print (param_name,param.shape)

3.修改模型参数

param.copy_(input_param)   #本程序待验证，摘自torch.nn.modules.module.py :656行 param 为原来的参数，input_param 为新的参数，两者维度相同

4. CLASS torch.nn.Module

下面记录此类包含函数的使用方法

• add_module(name, module)
  在当前的模块中增加一个子模块

model.add_module(name, module)
...

• children()
  返回子模块的迭代器。

查看model下的子模块

from module in model.children()
	pass

• cpu()
  将所有模型参数和缓冲区移动到CPU。（Moves all model parameters and buffers to the CPU.）

使用cpu载入模型

model.cpu()

• cuda(device=None)
  将所有模型参数和缓冲区移动到GPU。（Moves all model parameters and buffers to the GPU.）
  在构造优化器之前使用它

使用gpu载入模型

model.cuda()

• double（）
  将所有浮点参数和缓冲区转换为double数据类型。
• float()
  将所有浮点参数和缓冲区转换为float数据类型。
• eval()
  设置模型为评估模式，在测试模型之前使用

model.eval()

• half()
  Casts all floating point parameters and buffers to half datatype.
• forward(*input)
  定义每次调用时执行的计算。应该被所有子类覆盖。（Defines the computation performed at every call.
  Should be overridden by all subclasses.）
  每次调用网络模型时会执行此函数
  待续。。。