本篇主要介紹了PyTorch快速搭建神經網路及其保存擷取方法詳解，現在分享給大家，也給大家做個參考。一起過來看看吧
有時候我們訓練了一個模型, 希望保存它下次直接使用,不需要下次再花時間去訓練，本節我們來講解一下PyTorch快速搭建神經網路及其保存擷取方法詳解
一、PyTorch快速搭建神經網路方法
先看實驗程式碼：
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)
)
'''先前學習了透過定義一個Net類別來建構神經網路的方法，classNet中首先透過super函數繼承torch.nn.Module模組的建構方法，再透過增加屬性的方式建構神經網路各層的結構訊息，在forward方法中完善神經網路各層之間的連接訊息，然後再透過定義Net類別物件的方式完成對神經網路結構的建構。
建構神經網路的另一個方法，也可以說是快速建構方法，就是透過torch.nn.Sequential，直接完成對神經網路的建立。
兩種方法建構得到的神經網路結構完全相同，都可以透過print函數來列印輸出網路訊息，不過列印結果會有些許不同。
二、PyTorch的神經網路保存和提取
#在學習和研究深度學習的時候，當我們經過一定時間的訓練，得到了一個比較好的模型的時候，我們當然希望將這個模型及模型參數保存下來，以備後用，所以神經網路的保存和模型參數提取重載是很有必要的。
首先，我們需要在需要保存網路結構及其模型參數的神經網路的定義、訓練部分之後透過torch.save()實現網路結構和模型參數的保存。有兩種保存方式：一是保存年整個神經網路的的結構資訊和模型參數訊息，save的物件是網路net；二是只保存神經網路的訓練模型參數，save的物件是net.state_dict()，保存結果都以.pkl檔案形式儲存。
對應上面兩種保存方式，重載方式也有兩種。對應第一種完整網路結構訊息，重載的時候透過torch.load(‘.pkl')直接初始化新的神經網路物件即可。對應第二種只保存模型參數訊息，需要先搭建相同的神經網路結構，透過net.load_state_dict(torch.load('.pkl'))完成模型參數的重載。在網路比較大的時候，第一種方法會花費較多的時間。
程式碼實作：
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()實驗結果：
相關推薦：
#
以上是PyTorch快速建構神經網路及其保存擷取方法詳解的詳細內容。更多資訊請關注PHP中文網其他相關文章！
