这里在我写的 Pytorch：一个简单的神经网络——分类 的基础上进行对模型的保存和提取操作。
为了检验保存的模型就是训练好的模型，先用训练好的模型做个测试
print(net(torch.tensor([2., 5.]))) # 用模型判断（2，5）这个点所属的类别
# tensor([0.9701, 0.0299], grad_fn=<SoftmaxBackward>) # 数据0、1两个类的概率
Pytorch对模型的报讯提取有两种方式
-
torch.save(net, 'classnet.pkl')这种方式将会保存整个模型，包括模型的结构和参数
# 保存 torch.save(net, 'data/models/classnet.pkl') # 保存整个网络（结构+参数） # 提取 net2=torch.load('data/models/classnet.pkl') # 使用demo print(net2(torch.tensor([2., 5.]))) # 通过模型判断（2，5）这个点的类别 # tensor([0.9701, 0.0299], grad_fn=<SoftmaxBackward>) # 属于0、1两个类别的概率 print(net2(torch.tensor([3., 5.]))) # tensor([0.9883, 0.0117], grad_fn=<SoftmaxBackward>) -
torch.save(net.state_dict(), 'classnet_params.pkl')这种方式只保存模型的参数，保存和提取过程的速度会快一些，就是重构的时候需要重新定义模型的结构
# 保存 torch.save(net.state_dict(), 'data/models/classnet_params.pkl') # 只保存网络中的参数 (速度快, 占内存少) # 提取 net3=Net(n_feature=2, n_hidden=10, n_output=2) net3.load_state_dict(torch.load('data/models/classnet_params.pkl')) # 将保存的参数复制到 net3 # 使用demo print(net3(torch.tensor([2., 5.]))) # tensor([0.9701, 0.0299], grad_fn=<SoftmaxBackward>) print(net3(torch.tensor([3., 2.]))) # tensor([0.9694, 0.0306], grad_fn=<SoftmaxBackward>)这里因为在同一个文件中进行了模型提取，在重构模型是，可以用
net3=Net(n_feature=2, n_hidden=10, n_output=2)直接进行重构，这利用了上面写的Net类，如果在另一个py文件中进行模型文件的提取，就需要重新写这个类，或者import一下这个类，或者通过torch.nn.Sequential()方法快速构建模型结构。
然后通过画图的方式直观看一下三个模型（一开始训练的、方式1保存的和方式2保存的）
可以看到三个模型的对数据的分类结果是相同的，画图可参见 Matplotlib
最后附上所有代码
import torch
import torch.nn.functional as F # 激励函数都在这
import matplotlib.pyplot as plt
torch.manual_seed(0) # 为了使每次随机生成的数据都是一样的
# 生成训练数据
n_data = torch.ones(100, 2) # 数据的基本形态，全1矩阵，shape=（100，2）
x0 = torch.normal(2 * n_data, 1) # 类型0 x data (tensor), shape=(100, 2)
y0 = torch.zeros(100) # 类型0 y data (tensor), shape=(100, )
x1 = torch.normal(-2 * n_data, 1) # 类型1 x data (tensor), shape=(100, 1)
y1 = torch.ones(100) # 类型1 y data (tensor), shape=(100, )
# 注意 x, y 数据的数据形式是一定要像下面一样 (torch.cat 是在合并数据)
x = torch.cat((x0, x1), 0)
y = torch.cat((y0, y1), 0).type(torch.long)
# 为y改变一下数据类型，因为网络的输出结果是long类型，在计算loss时需要匹配
class Net(torch.nn.Module):
def __init__(self, n_feature, n_hidden, n_output):
super(Net, self).__init__() # 继承 __init__ 功能
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
x = F.relu(self.hidden(x)) # 激励函数(隐藏层的线性值)
y = F.softmax(self.predict(x)) # 输出值
return y
if __name__ == '__main__':
# 声明一个网络
net = Net(n_feature=2, n_hidden=10, n_output=2)
# optimizer 是训练的工具
optimizer = torch.optim.SGD(net.parameters(), lr=0.02)
loss_func = torch.nn.CrossEntropyLoss()
for t in range(100):
res = net(x) # 喂给 net 训练数据 x, 输出分析值
loss = loss_func(res, 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.figure(figsize=(12,4))
prediction = torch.max(net(x), 1)[1]
plt.subplot(131, title='net')
plt.scatter(x[:, 0], x[:, 1], c=prediction, lw=0, cmap='RdYlGn')
torch.save(net, 'data/models/classnet.pkl') # 保存整个网络（结构+参数）
torch.save(net.state_dict(), 'data/models/classnet_params.pkl') # 只保存网络中的参数 (速度快, 占内存少)
net2=torch.load('data/models/classnet.pkl')
prediction2 = torch.max(net2(x), 1)[1]
plt.subplot(132, title='net2')
plt.scatter(x[:, 0], x[:, 1], c=prediction2, lw=0, cmap='RdYlGn')
net3=Net(n_feature=2, n_hidden=10, n_output=2)
# 将保存的参数复制到 net3
net3.load_state_dict(torch.load('data/models/classnet_params.pkl'))
prediction3 = torch.max(net3(x), 1)[1]
plt.subplot(133, title='net3')
plt.scatter(x[:, 0], x[:, 1], c=prediction3, lw=0, cmap='RdYlGn')
print(net(torch.tensor([2., 5.])))
print(net2(torch.tensor([2., 5.])))
print(net2(torch.tensor([3., 5.])))
print(net3(torch.tensor([2., 5.])))
print(net3(torch.tensor([3., 2.])))
plt.show()
参考文献
