《动手学深度学习》笔记2.4——神经网络从基础→进阶 (文件读写-保存参数和模型)

[0. 前言](#0. 前言)

[1. 加载和保存张量](#1. 加载和保存张量)

[2. 加载和保存模型参数](#2. 加载和保存模型参数)

[3. 小结](#3. 小结)

0. 前言

课程全部代码（pytorch版）已上传到附件

本章为原书第5章，共分为6节，本篇是5节：文件读写（保存参数和模型）

第1节：《动手学深度学习》笔记2.1------神经网络从基础→进阶 (层和块 - 自定义块)-CSDN博客

本节的代码位置：chapter_deep-learning-computation/read-write.ipynb

本节的视频链接：读写文件_哔哩哔哩_bilibili

正文：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。

1. 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。

In $1$ :

python 复制代码

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

x = torch.arange(4)
torch.save(x, 'x-file')  # 在当前目录下，新建一个名为'x-file'的文件，把数据（权重和模型）存下来

我们现在可以将存储在文件中的数据读回内存。

In $2$ :

python 复制代码

x2 = torch.load('x-file') # 将存储在当前目录下'x-file'文件中的数据（权重和模型）读（load）回内存

x2

复制代码

Out[2]:

复制代码

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 $3$ :

python 复制代码

y = torch.zeros(4)

torch.save([x, y],'x-files')  # 可以存（save）一个列表（list）
x2, y2 = torch.load('x-files')
(x2, y2)

复制代码

Out[3]:

复制代码

(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 $4$ :

python 复制代码

mydict = {'x': x, 'y': y}

torch.save(mydict, 'mydict')  # 可以存（save）一个字典（dict）
mydict2 = torch.load('mydict')
mydict2

复制代码

Out[4]:

复制代码

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

2. 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 $5$ :

python 复制代码

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)

复制代码

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 $6$ :

python 复制代码

torch.save(net.state_dict(), 'mlp.params') # 用state_dict()得到所有参数(parameters)的、字符串到参数的映射

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 $7$ :

python 复制代码

clone = MLP() # 想要在别的地方用这些参数，不仅要带走参数'mlp.params'，还要带走MLP的模型定义MLP()

# clone = MLP()里的参数已经被随机初始化了
clone.load_state_dict(torch.load('mlp.params'))  # 调用load_state_dict()复写（over write）掉上面初始化的参数
clone.eval()  # eval()将模型设为评估模式，返回self(就是模型本身)，这里用来返回模型，看看参数写入是否成功

复制代码

Out[7]:

复制代码

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 $8$ :

python 复制代码

Y_clone = clone(X)

Y_clone == Y  # 和clone之前的模型net = MLP()参数比较一下，是完全相等的，说明参数写入成功

复制代码

Out[8]:

复制代码

tensor([[True, True, True, True, True, True, True, True, True, True],
        [True, True, True, True, True, True, True, True, True, True]])

3. 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。