PyTorch快速搭建神经网络及其保存提取方法详解

有时候我们训练了一个模型, 希望保存它下次直接使用,不需要下次再花时间去训练 ，本节我们来讲解一下PyTorch快速搭建神经网络及其保存提取方法详解

一、PyTorch快速搭建神经网络方法

先看实验代码：

import torch
import torch.nn.functional as F

# 方法1，通过定义一个Net类来建立神经网络
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 通过torch.nn.Sequential快速建立神经网络结构
net2 = torch.nn.Sequential(
  torch.nn.Linear(2, 10),
  torch.nn.ReLU(),
  torch.nn.Linear(10, 2),
  )
print('方法2：\n', net2)
# 经验证，两种方法构建的神经网络功能相同，结构细节稍有不同

'''''
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)
)
'''

先前学习了通过定义一个Net类来构建神经网络的方法，classNet中首先通过super函数继承torch.nn.Module模块的构造方法，再通过添加属性的方式搭建神经网络各层的结构信息，在forward方法中完善神经网络各层之间的连接信息，然后再通过定义Net类对象的方式完成对神经网络结构的构建。

构建神经网络的另一个方法，也可以说是快速构建方法，就是通过torch.nn.Sequential，直接完成对神经网络的建立。

两种方法构建得到的神经网络结构完全相同，都可以通过print函数来打印输出网络信息，不过打印结果会有些许不同。

二、PyTorch的神经网络保存和提取

在学习和研究深度学习的时候，当我们通过一定时间的训练，得到了一个比较好的模型的时候，我们当然希望将这个模型及模型参数保存下来，以备后用，所以神经网络的保存和模型参数提取重载是很有必要的。

首先，我们需要在需要保存网路结构及其模型参数的神经网络的定义、训练部分之后通过torch.save()实现对网络结构和模型参数的保存。有两种保存方式：一是保存年整个神经网络的的结构信息和模型参数信息，save的对象是网络net；二是只保存神经网络的训练模型参数，save的对象是net.state_dict()，保存结果都以.pkl文件形式存储。

对应上面两种保存方式，重载方式也有两种。对应第一种完整网络结构信息，重载的时候通过torch.load(‘.pkl')直接初始化新的神经网络对象即可。对应第二种只保存模型参数信息，需要首先搭建相同的神经网络结构，通过net.load_state_dict(torch.load('.pkl'))完成模型参数的重载。在网络比较大的时候，第一种方法会花费较多的时间。

代码实现：

import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt

torch.manual_seed(1) # 设定随机数种子

# 创建数据
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)

# 将待保存的神经网络定义在一个函数中
def save():
  # 神经网络结构
  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()

  # 训练部分
  for i in range(300):
    prediction = net1(x)
    loss = loss_function(prediction, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

  # 绘图部分
  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)

  # 保存神经网络
  torch.save(net1, '7-net.pkl')           # 保存整个神经网络的结构和模型参数
  torch.save(net1.state_dict(), '7-net_params.pkl') # 只保存神经网络的模型参数

# 载入整个神经网络的结构及其模型参数
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)

# 只载入神经网络的模型参数，神经网络的结构需要与保存的神经网络相同的结构
def reload_params():
  # 首先搭建相同的神经网络结构
  net3 = torch.nn.Sequential(
    torch.nn.Linear(1, 10),
    torch.nn.ReLU(),
    torch.nn.Linear(10, 1),
    )

  # 载入神经网络的模型参数
  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)

# 运行测试
save()
reload_net()
reload_params()

实验结果：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。

原文链接：https://blog.csdn.net/marsjhao/article/details/72046803