【pytorch】保存模型

.pkl保存模型
有两种模型：一个是保存模型，一个是保存模型的所有参数

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

x = torch.unsqueeze(torch.linspace(-1,1,100),dim = 1)  #压缩为2维，因为torch 中 只会处理二维的数据
y = x.pow(2) + 0.2 * torch.rand(x.size())
x,y = Variable(x),Variable(y)# 神经网络中只用Variable的方法
plt.scatter(x.data.numpy(),y.data.numpy())
plt.show()  # 散点图

class Net(torch.nn.Module):  # 继承 torch 的 Module
    def __init__(self, n_feature, n_hidden, n_output):
        super(Net, self).__init__()     # 继承 __init__ 功能
        # 定义每层用什么样的形式
        self.hidden = torch.nn.Linear(n_feature, n_hidden)   # 隐藏层线性输出
        self.predict = torch.nn.Linear(n_hidden, n_output)   # 输出层线性输出

    def forward(self, x):   # 这同时也是 Module 中的 forward 功能
        # 正向传播输入值, 神经网络分析出输出值
        x = F.relu(self.hidden(x))      # 激励函数(隐藏层的线性值)
        x = self.predict(x)             # 输出值
        return x

# net = Net(n_feature=1, n_hidden=10, n_output=1)

def save():
    net1 = torch.nn.Sequential(
            torch.nn.Linear(1,10),
            torch.nn.ReLU(), # F 的relu 是一个function, torch.nn的ReLU是class,性质不同
            torch.nn.Linear(10,1)
        )
    optimizer = torch.optim.SGD(net1.parameters(), lr=0.2)  # 传入 net 的所有参数, 学习率
    loss_func = torch.nn.MSELoss()      # 预测值和真实值的误差计算公式 (均方差)

    for t in range(100):
        prediction = net1(x)     # 喂给 net 训练数据 x, 输出预测值
        loss = loss_func(prediction, y)     # 计算两者的误差
        optimizer.zero_grad()   # 清空上一步的残余更新参数值
        loss.backward()         # 误差反向传播, 计算参数更新值
        optimizer.step()        # 将参数更新值施加到 net 的 parameters 上
    plt.subplot(1,3,1)  # ？？
    plt.scatter(x.data.numpy(), y.data.numpy())
    plt.title('Net1')
    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', 'lw')
    # plt.show()

    torch.save(net1,'net.pkl')
    torch.save(net1.state_dict(), 'net_params.pkl')  # 保存的是所有的参数，更快速


def load_modul():
    net2 = torch.load('net.pkl')
    prediction = net2(x)
    plt.subplot(1,3,2) #？？
    plt.title('Net2')
    plt.scatter(x.data.numpy(),y.data.numpy())
    plt.plot(x.data.numpy(),prediction.data.numpy(),'r-','lw')
    # plt.show() # 如果想同时显示，必须在最后一个图加show()

def load_modul2():
    net3 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),  # F 的relu 是一个function, torch.nn的ReLU是class,性质不同
        torch.nn.Linear(10, 1)
    )
    net3.load_state_dict(torch.load('net_params.pkl'))
    prediction = net3(x)

    plt.subplot(1,3,3)  # ？？
    plt.scatter(x.data.numpy(), y.data.numpy())
    plt.title('Net3')
    plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', 'lw')
    plt.show()

save()
load_modul()
load_modul2()