保存提取
作者: 编辑: 莫烦 发布于: 2017-05-06
学习资料:
要点¶
训练好了一个模型, 我们当然想要保存它, 留到下次要用的时候直接提取直接用, 这就是这节的内容啦. 我们用回归的神经网络举例实现保存提取.
保存¶
我们快速地建造数据, 搭建网络:
xxxxxxxxxxtorch.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()接下来我们有两种途径来保存
xxxxxxxxxxtorch.save(net1, 'net.pkl') # 保存整个网络torch.save(net1.state_dict(), 'net_params.pkl') # 只保存网络中的参数 (速度快, 占内存少)提取网络¶
这种方式将会提取整个神经网络, 网络大的时候可能会比较慢.
xxxxxxxxxxdef restore_net(): # restore entire net1 to net2 net2 = torch.load('net.pkl') prediction = net2(x)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.
xxxxxxxxxxdef 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)显示结果¶
调用上面建立的几个功能, 然后出图.
xxxxxxxxxx# 保存 net1 (1. 整个网络, 2. 只有参数)save()# 提取整个网络restore_net()# 提取网络参数, 复制到新网络restore_params()
这样我们就能看出三个网络完全一模一样啦.
所以这也就是在我 github 代码 中的每一步的意义啦.
降低知识传递的门槛
莫烦经常从互联网上学习知识，开源分享的人是我学习的榜样。 他们的行为也改变了我对教育的态度: 降低知识传递的门槛。
我组建了微信群，欢迎大家加入，交流经验，提出问题，互相帮持。 扫码后，请一定备注"莫烦"，否则我不会同意你的入群申请。
