In [1]:
import torch
from torch import nn
from torch.nn import functional as F
x = torch.arange(4)
torch.save(x, 'x-file')
我们现在可以将存储在文件中的数据读回内存。
In [2]:
x2 = torch.load('x-file')
x2
Out[2]:
tensor([0, 1, 2, 3])
我们可以[存储一个张量列表，然后把它们读回内存。]
In [3]:
y = torch.zeros(4)
torch.save([x, y],'x-files')
x2, y2 = torch.load('x-files')
(x2, y2)
Out[3]:
(tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.]))
我们甚至可以(写入或读取从字符串映射到张量的字典)。 当我们要读取或写入模型中的所有权重时，这很方便。
In [4]:
mydict = {'x': x, 'y': y}
torch.save(mydict, 'mydict')
mydict2 = torch.load('mydict')
mydict2
Out[4]:
{'x': tensor([0, 1, 2, 3]), 'y': tensor([0., 0., 0., 0.])}
[加载和保存模型参数]¶
保存单个权重向量（或其他张量）确实有用， 但是如果我们想保存整个模型，并在以后加载它们， 单独保存每个向量则会变得很麻烦。 毕竟，我们可能有数百个参数散布在各处。 因此，深度学习框架提供了内置函数来保存和加载整个网络。 需要注意的一个重要细节是，这将保存模型的参数而不是保存整个模型。 例如，如果我们有一个3层多层感知机，我们需要单独指定架构。 因为模型本身可以包含任意代码，所以模型本身难以序列化。 因此，为了恢复模型，我们需要用代码生成架构， 然后从磁盘加载参数。 让我们从熟悉的多层感知机开始尝试一下。
In [5]:
class MLP(nn.Module):
def __init__(self):
super().__init__()
self.hidden = nn.Linear(20, 256)
self.output = nn.Linear(256, 10)
def forward(self, x):
return self.output(F.relu(self.hidden(x)))
net = MLP()
X = torch.randn(size=(2, 20))
Y = net(X)
接下来，我们[将模型的参数存储在一个叫做“mlp.params”的文件中。]
In [6]:
torch.save(net.state_dict(), 'mlp.params')
为了恢复模型，我们[实例化了原始多层感知机模型的一个备份。] 这里我们不需要随机初始化模型参数，而是(直接读取文件中存储的参数。)
In [7]:
clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()
Out[7]:
MLP(
(hidden): Linear(in_features=20, out_features=256, bias=True)
(output): Linear(in_features=256, out_features=10, bias=True)
)
由于两个实例具有相同的模型参数，在输入相同的X时，
两个实例的计算结果应该相同。
让我们来验证一下。
In [8]:
Y_clone = clone(X)
Y_clone == Y
Out[8]:
tensor([\[True, True, True, True, True, True, True, True, True, True],
[True, True, True, True, True, True, True, True, True, True]\])