《动手学深度学习 Pytorch版》 5.5 读写文件

5.5.1 加载和保存

import torch
from torch import nn
from torch.nn import functional as F

x = torch.arange(4)
torch.save(x, 'x-file')  # 使用 save 保存
1
2
3
4
5
6

x2 = torch.load('x-file')  # 使用 load 读回内存
x2
1
2

tensor([0, 1, 2, 3])
1

y = torch.zeros(4)
torch.save([x, y],'x-files')  # 也可以存储张量列表
x2, y2 = torch.load('x-files')
(x2, y2)
1
2
3
4

(tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.]))
1

mydict = {'x': x, 'y': y}  # 存储从字符串映射到张量的字典
torch.save(mydict, 'mydict')
mydict2 = torch.load('mydict')
mydict2
1
2
3
4

{'x': tensor([0, 1, 2, 3]), 'y': tensor([0., 0., 0., 0.])}
1

5.5.2 加载和保存模型参数

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)

torch.save(net.state_dict(), 'mlp.params')  # 保存模型参数
1
2
3
4
5
6
7
8
9
10
11
12
13
14

clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))  # 加载文件中存储的参数

Y_clone = clone(X)  # 参数一致则计算结果也应相同

clone.eval(), Y_clone == Y
1
2
3
4
5
6

(MLP(
   (hidden): Linear(in_features=20, out_features=256, bias=True)
   (output): Linear(in_features=256, out_features=10, bias=True)
 ),
 tensor([[True, True, True, True, True, True, True, True, True, True],
         [True, True, True, True, True, True, True, True, True, True]]))
1
2
3
4
5
6

练习

（1）即使不需要将经过训练的模型部署到不同的设备上，保存的模型参数还有什么实际的好处？

用作备份或备为下一步处理均可。

---

（2）假设我们只想复用网络的一部分，已将其合并到不同的网络架构中。例如想在一个新的网络中使用之前网络的前两层，该怎么做？

torch.save(net.hidden.state_dict(), 'mlp.hidden.params')  # 需要哪里存哪里
clone = MLP()
clone.hidden.load_state_dict(torch.load('mlp.hidden.params'))  # 需要哪里加载哪里

clone.eval(), clone.hidden.weight == net.hidden.weight
1
2
3
4
5

(MLP(
   (hidden): Linear(in_features=20, out_features=256, bias=True)
   (output): Linear(in_features=256, out_features=10, bias=True)
 ),
 tensor([[True, True, True,  ..., True, True, True],
         [True, True, True,  ..., True, True, True],
         [True, True, True,  ..., True, True, True],
         ...,
         [True, True, True,  ..., True, True, True],
         [True, True, True,  ..., True, True, True],
         [True, True, True,  ..., True, True, True]]))
1
2
3
4
5
6
7
8
9
10
11

---

（3）如何同时保存网络架构和参数？需要对架构加上什么限制？

net = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
torch.save(net, 'net')  # pytorch 本身就支持保存模型
net_new = torch.load('net')
net_new
1
2
3
4

Sequential(
  (0): Linear(in_features=20, out_features=256, bias=True)
  (1): ReLU()
  (2): Linear(in_features=256, out_features=10, bias=True)
)
1
2
3
4
5