1.前言

训练好了一个模型, 我们当然想要保存它, 留到下次要用的时候直接提取直接用，下面我将来讲如何存储训练好的模型参数

2.torch.save(保存模型)

首先，先搭建一个神经网络

import torch
from torch import nn
import matplotlib.pyplot as plt
torch.manual_seed(11)    # 使每次得到的随机数是固定的。但是如果不加上torch.manual_seed这个函数调用的话，打印出来的随机数每次都不一样x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # [100] -> [100,1]
y = x.pow(2) + 0.5*torch.rand(x.size())  # y的形状与x一样def make_and_save_model():network = torch.nn.Sequential(torch.nn.Linear(1, 8),torch.nn.ReLU(),torch.nn.Linear(8, 1))optimizer = torch.optim.SGD(network.parameters(), lr=0.3)   #优化器criterion = torch.nn.MSELoss()     #损失函数# 训练for i in range(200):prediction = network(x)      #数据放入模型后得到预测值loss = criterion(prediction, y)    #计算预测值与真实值之间的误差optimizer.zero_grad()       #清空梯度loss.backward()           #误差反向传播optimizer.step()          #更新参数torch.save(network, 'network.pth')  # 保存整个网络torch.save(network.state_dict(), 'network_params.pth')   # 只保存网络中的参数plt.figure(1, figsize = (10,3))plt.subplot(131)plt.title('network')plt.scatter(x.data.numpy(), y.data.numpy())plt.plot(x.data.numpy(), prediction.data.numpy(), 'yo' , lw = 5)plt.pause(1)

3.torch.load整个网络

这种方式将会提取整个神经网络, 网络大的时候可能会比较慢.

def load_whole_model():network_whole = torch.load('network.pth')prediction = network_whole(x)plt.figure(1, figsize = (10,3))plt.subplot(132)plt.title('network_whole')plt.scatter(x.data.numpy(), y.data.numpy())plt.plot(x.data.numpy(), prediction.data.numpy(), 'yo' , lw = 5)plt.pause(1)

4.torch.load网络参数（只提取参数）

这种方式将会提取所有的参数, 然后再放到你的新建网络中

def load_only_params():network_params = torch.nn.Sequential(torch.nn.Linear(1, 8),torch.nn.ReLU(),torch.nn.Linear(8, 1))network_params.load_state_dict(torch.load('network_params.pth'))prediction = network_params(x)plt.figure(1, figsize = (10,3))plt.subplot(133)plt.title('network_params')plt.scatter(x.data.numpy(), y.data.numpy())plt.plot(x.data.numpy(), prediction.data.numpy(), 'yo' , lw = 5)

5.调用三个函数

会看到加载后的模型画出的图是一样的，说明模型的参数正确加载了。

make_and_save_model()
load_whole_model()
load_only_params()

Pytorch——保存训练好的模型参数相关推荐

python训练模型函数参数_keras读取训练好的模型参数并把参数赋值给其它模型详解...
介绍本博文中的代码,实现的是加载训练好的模型model_halcon_resenet.h5,并把该模型的参数赋值给两个不同的新的model. 函数式模型官网上给出的调用一个训练好模型,并输出任意层 ...
转载：tensorflow保存训练后的模型
训练完一个模型后,为了以后重复使用,通常我们需要对模型的结果进行保存.如果用Tensorflow去实现神经网络,所要保存的就是神经网络中的各项权重值.建议可以使用Saver类保存和加载模型的结果. 1 ...
python如何保存训练好的模型_Python机器学习7：如何保存、加载训练好的机器学习模型...
本文将介绍如何使用scikit-learn机器学习库保存Python机器学习模型.加载已经训练好的模型.学会了这个,你才能够用已有的模型做预测,而不需要每次都重新训练模型. 本文将使用两种方法来实现模 ...
[pytorch、学习] - 4.2 模型参数的访问、初始化和共享
参考 4.2 模型参数的访问.初始化和共享在3.3节(线性回归的简洁实现)中,我们通过init模块来初始化模型的参数.我们也介绍了访问模型参数的简单方法.本节将深入讲解如何访问和初始化模型参数,以及 ...
pytorch 保存、加载模型
一般保存为.pt格式,保存模型使用: torch.save(model, '保存位置') 加载模型使用: model_load = torch.load('加载模型的位置') 完整代码 import ...
保存训练好的模型并调用
当我们训练好一个model后,下次如果还想用这个model,我们就需要把这个model保存下来,下次直接导入就好了,不然每次都跑一遍,训练时间短还好,要是一次跑好几天的那怕是要天荒地老了. sciki ...
libsvm 训练后，模型参数详解
本节主要就是讲解利用libsvm-mat工具箱建立分类(回归模型)后,得到的模型model里面参数的意义,以及如果通过model得到相应模型的表达式,这里主要以分类问题为例子. 测试数据使用的是lib ...
pytorch 使用训练好的模型预测新数据
神经网络在进行完训练和测试后,如果达到了较高的正确率的话,我们可以尝试将模型用于预测新数据.总共需要两大部分:神经网络.预测函数(新图片的加载,传入模型.得出结果). 完整代码 import torc ...
【项目实战】pytorch载入训练好的模型并进行可视化模型预测绘图
main函数载入模型,加载图片,输出结果: if __name__ == '__main__':image = Image.open(r"C:\Users\pic\test\he_5.jpg ...

Pytorch——保存训练好的模型参数

文章目录

1.前言

2.torch.save(保存模型)

3.torch.load整个网络

4.torch.load网络参数（只提取参数）

5.调用三个函数

Pytorch——保存训练好的模型参数相关推荐

最新文章

热门文章