# 读写文件
到目前为止，我们讨论了如何处理数据，
以及如何构建、训练和测试深度学习模型。
然而，有时我们希望保存训练的模型，
以备将来在各种环境中使用（比如在部署中进行预测）。
此外，当运行一个耗时较长的训练过程时，
最佳的做法是定期保存中间结果，
以确保在服务器电源被不小心断掉时，我们不会损失几天的计算结果。
因此，现在是时候学习如何加载和存储权重向量和整个模型了。
# (加载和保存张量)
对于单个张量，我们可以直接调用 load 和 save 函数分别读写它们。
这两个函数都要求我们提供一个名称， save 要求将要保存的变量作为输入。
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。
x2 = torch.load('x-file') | |
x2 |
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。]
y = torch.zeros(4) | |
torch.save([x, y],'x-files') | |
x2, y2 = torch.load('x-files') | |
(x2, y2) |
(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。
mydict = {'x': x, 'y': y} | |
torch.save(mydict, 'mydict') | |
mydict2 = torch.load('mydict') | |
mydict2 |
{'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。
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。]
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。)
clone = MLP() | |
clone.load_state_dict(torch.load('mlp.params')) | |
clone.eval() |
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。
Y_clone = clone(X) | |
Y_clone == Y |
tensor([[True, True, True, True, True, True, True, True, True, True],
[True, True, True, True, True, True, True, True, True, True]])
# 小结
save和load函数可用于张量对象的文件读写。- 我们可以通过参数字典保存和加载网络的全部参数。
- 保存架构必须在代码中完成，而不是在参数中完成。
# 练习
- 即使不需要将经过训练的模型部署到不同的设备上，存储模型参数还有什么实际的好处？
- 假设我们只想复用网络的一部分，以将其合并到不同的网络架构中。比如想在一个新的网络中使用之前网络的前两层，该怎么做？
- 如何同时保存网络架构和参数？需要对架构加上什么限制？
Discussions
