溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
有時候我們訓練了一個模型, 希望保存它下次直接使用,不需要下次再花時間去訓練 ，本節我們來講解一下PyTorch快速搭建神經網絡及其保存提取方法詳解
一、PyTorch快速搭建神經網絡方法
先看實驗代碼：
import torch
import torch.nn.functional as F
# 方法1，通過定義一個Net類來建立神經網絡
class Net(torch.nn.Module):
def __init__(self, n_feature, n_hidden, n_output):
super(Net, self).__init__()
self.hidden = torch.nn.Linear(n_feature, n_hidden)
self.predict = torch.nn.Linear(n_hidden, n_output)
def forward(self, x):
x = F.relu(self.hidden(x))
x = self.predict(x)
return x
net1 = Net(2, 10, 2)
print('方法1：\n', net1)
# 方法2 通過torch.nn.Sequential快速建立神經網絡結構
net2 = torch.nn.Sequential(
torch.nn.Linear(2, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 2),
)
print('方法2：\n', net2)
# 經驗證，兩種方法構建的神經網絡功能相同，結構細節稍有不同
'''''
方法1：
Net (
(hidden): Linear (2 -> 10)
(predict): Linear (10 -> 2)
)
方法2：
Sequential (
(0): Linear (2 -> 10)
(1): ReLU ()
(2): Linear (10 -> 2)
)
'''
先前學習了通過定義一個Net類來構建神經網絡的方法，classNet中首先通過super函數繼承torch.nn.Module模塊的構造方法，再通過添加屬性的方式搭建神經網絡各層的結構信息，在forward方法中完善神經網絡各層之間的連接信息，然后再通過定義Net類對象的方式完成對神經網絡結構的構建。
構建神經網絡的另一個方法，也可以說是快速構建方法，就是通過torch.nn.Sequential，直接完成對神經網絡的建立。
兩種方法構建得到的神經網絡結構完全相同，都可以通過print函數來打印輸出網絡信息，不過打印結果會有些許不同。
二、PyTorch的神經網絡保存和提取
在學習和研究深度學習的時候，當我們通過一定時間的訓練，得到了一個比較好的模型的時候，我們當然希望將這個模型及模型參數保存下來，以備后用，所以神經網絡的保存和模型參數提取重載是很有必要的。
首先，我們需要在需要保存網路結構及其模型參數的神經網絡的定義、訓練部分之后通過torch.save()實現對網絡結構和模型參數的保存。有兩種保存方式：一是保存年整個神經網絡的的結構信息和模型參數信息，save的對象是網絡net；二是只保存神經網絡的訓練模型參數，save的對象是net.state_dict()，保存結果都以.pkl文件形式存儲。
對應上面兩種保存方式，重載方式也有兩種。對應第一種完整網絡結構信息，重載的時候通過torch.load(‘.pkl')直接初始化新的神經網絡對象即可。對應第二種只保存模型參數信息，需要首先搭建相同的神經網絡結構，通過net.load_state_dict(torch.load('.pkl'))完成模型參數的重載。在網絡比較大的時候，第一種方法會花費較多的時間。
代碼實現：
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt
torch.manual_seed(1) # 設定隨機數種子
# 創建數據
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)
# 將待保存的神經網絡定義在一個函數中
def save():
# 神經網絡結構
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_function = torch.nn.MSELoss()
# 訓練部分
for i in range(300):
prediction = net1(x)
loss = loss_function(prediction, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 繪圖部分
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)
# 保存神經網絡
torch.save(net1, '7-net.pkl') # 保存整個神經網絡的結構和模型參數
torch.save(net1.state_dict(), '7-net_params.pkl') # 只保存神經網絡的模型參數
# 載入整個神經網絡的結構及其模型參數
def reload_net():
net2 = torch.load('7-net.pkl')
prediction = net2(x)
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)
# 只載入神經網絡的模型參數，神經網絡的結構需要與保存的神經網絡相同的結構
def reload_params():
# 首先搭建相同的神經網絡結構
net3 = torch.nn.Sequential(
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1),
)
# 載入神經網絡的模型參數
net3.load_state_dict(torch.load('7-net_params.pkl'))
prediction = net3(x)
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)
# 運行測試
save()
reload_net()
reload_params()
實驗結果：
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
