PyTorch与TensorFlow模型全方位解析：保存、加载与结构可视化

夜松云2025-04-22 8:49

目录

  • 前言
  • 一、保存整个模型
  • 二、pytorch模型的加载
  • [2.1 只保存的模型参数的加载方式：](#2.1 只保存的模型参数的加载方式：)
  • [2.2 保存结构和参数的模型加载](#2.2 保存结构和参数的模型加载)
  • 三、pytorch模型网络结构的查看
  • [3.1 print](#3.1 print)
  • [3.2 summary](#3.2 summary)
  • [3.3 netron](#3.3 netron)
  • [3.3.1 解决方法1](#3.3.1 解决方法1)
  • [3.3.2 解决方法2](#3.3.2 解决方法2)
  • [3.4 TensorboardX](#3.4 TensorboardX)
  • [四、tensorflow 框架的线性回归](#四、tensorflow 框架的线性回归)
  • [4.1 tensorflow模型的定义](#4.1 tensorflow模型的定义)
  • [4.1.1 tf.keras.Sequential](#4.1.1 tf.keras.Sequential)
  • [4.1.2 tf.keras.Sequential()另一种方式](#4.1.2 tf.keras.Sequential()另一种方式)
  • [4.1.3 就是写一个类重写实现网络的搭建](#4.1.3 就是写一个类重写实现网络的搭建)
  • [4.1.4 tensorflow中最常用的](#4.1.4 tensorflow中最常用的)
  • [4.2 tensorflow模型的保存](#4.2 tensorflow模型的保存)
  • [4.2.1 保存为 .h5](#4.2.1 保存为 .h5)
  • [4.2.2 只保存参数](#4.2.2 只保存参数)
  • [4.3 tensorflow模型的加载](#4.3 tensorflow模型的加载)
  • [4.3.1 模型加载 针对方式1](#4.3.1 模型加载 针对方式1)
  • [4.3.2 加载只保存参数，包括权重w及偏置b](#4.3.2 加载只保存参数，包括权重w及偏置b)
  • [4.4 tensorflow模型网络结构的查看](#4.4 tensorflow模型网络结构的查看)
  • [4.4.1 summary() 模型搭建好就有summary()](#4.4.1 summary() 模型搭建好就有summary())
  • [4.4.2 使用netron](#4.4.2 使用netron)
  • [4.4.3 最经典的 tensorboard 方法](#4.4.3 最经典的 tensorboard 方法)
  • 总结

前言

书接上文

PyTorch 线性回归详解：模型定义、保存、加载与网络结构-CSDN博客本文全面阐述了PyTorch框架下线性回归的实现过程，涵盖了模型定义的不同方式（如nn.Sequential、nn.ModuleList等）、模型保存方法（torch.save()），以及模型加载和网络结构查看。结合具体代码示例，旨在帮助读者深入理解并掌握PyTorch在解决线性回归问题中的应用。https://blog.csdn.net/qq_58364361/article/details/147329215?spm=1011.2415.3001.10575&sharefrom=mp_manage_link

一、保存整个模型

保存：要保存整个模型，包括其结构和参数，可以使用torch.save()函数保存整个模型。

将整个模型保存到名为"entire_model.pth"的文件中。但是要注意，保存整个模型可能会占用更多的磁盘空间，并且不如保存状态字典灵活，因为状态字典可以与不同的模型结构兼容。

python 复制代码 
import torch
import numpy as np

# 1. 数据准备
# 定义原始数据，包含x和y值
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8],
        [0.4, 39.2], [-1.4, -15.7],
        [-1.4, -37.3], [-1.8, -49.1],
        [1.5, 75.6], [0.4, 34.0],
        [0.8, 62.3]]
# 将数据转换为NumPy数组，方便后续处理
data = np.array(data)
# 从NumPy数组中提取x和y数据
x_data = data[:, 0]  # 所有行的第0列，即x值
y_data = data[:, 1]  # 所有行的第1列，即y值

# 2. 数据转换为Tensor
# 将NumPy数组转换为PyTorch张量，这是使用PyTorch进行计算的基础
x_train = torch.tensor(x_data, dtype=torch.float32)  # 将x数据转换为float32类型的张量
y_train = torch.tensor(y_data, dtype=torch.float32)  # 将y数据转换为float32类型的张量

# 3. 使用DataLoader加载数据
# 导入DataLoader和TensorDataset
from torch.utils.data import DataLoader, TensorDataset

# 将x_train和y_train组合成一个数据集
dataset = TensorDataset(x_train, y_train)  # 创建一个TensorDataset，将x和y数据配对

# 使用DataLoader创建数据加载器，用于批量处理数据
dataloader = DataLoader(dataset, batch_size=2, shuffle=False)  # batch_size=2表示每次加载2个样本，shuffle=False表示不打乱数据顺序

# 4. 定义模型
import torch.nn as nn  # 导入torch.nn模块，通常简写为nn，包含神经网络相关的类和函数


# 定义线性回归模型
class LinearModel(nn.Module):  # 继承nn.Module，这是所有神经网络模块的基类
    # 构造函数，用于初始化模型
    def __init__(self):
        super(LinearModel, self).__init__()  # 调用父类的构造函数
        # 定义一个线性层，输入维度为1，输出维度为1
        self.layers = nn.Linear(1, 1)  # 创建一个线性层，用于学习线性关系

    # 前向传播函数，定义模型的计算过程
    def forward(self, x):
        # 将输入x通过线性层
        x = self.layers(x)  # 将输入数据通过线性层进行计算
        return x  # 返回计算结果


# 5. 初始化模型
# 创建模型实例
model = LinearModel()  # 实例化线性回归模型

# 6. 定义损失函数
# 使用均方误差作为损失函数
criterion = nn.MSELoss()  # 创建MSELoss实例，用于计算损失

# 7. 定义优化器
# 使用随机梯度下降算法作为优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 创建SGD优化器，用于更新模型参数, lr是学习率

# 8. 训练模型
# 设置迭代次数
epoches = 500  # 设置迭代次数

# 循环迭代训练模型
for n in range(1, epoches + 1):  # 迭代epoches次
    epoch_loss = 0  # 初始化epoch损失

    # 遍历dataloader，获取每个batch的数据
    for batch_x, batch_y in dataloader:  # 遍历dataloader，每次返回一个batch的x和y数据
        # 增加x_batch的维度，以匹配线性层的输入维度
        x_batch_add_dim = batch_x.unsqueeze(1)  # 在第1维增加一个维度，将x_batch从[batch_size]变为[batch_size, 1]
        # 使用模型进行预测
        y_pre = model(x_batch_add_dim)  # 将x_batch输入模型，得到预测值

        # 计算损失
        batch_loss = criterion(y_pre.squeeze(1), batch_y)  # 计算预测值和真实值之间的均方误差, squeeze(1) 移除维度为1的维度

        # 梯度更新
        optimizer.zero_grad()  # 清空优化器中的梯度，避免累积
        # 计算损失函数对模型参数的梯度
        batch_loss.backward()  # 反向传播，计算梯度
        # 根据优化算法更新参数
        optimizer.step()  # 使用优化器更新模型参数

        epoch_loss = epoch_loss + batch_loss  # 累加每个batch的损失

    avg_loss = epoch_loss / (len(dataloader))  # 计算平均损失
    # 打印训练信息
    if n % 100 == 0 or n == 1:  # 每100次迭代打印一次信息
        print(model)  # 打印模型结构
        torch.save(model, f'model_{n}.pth')  #保存模型

        print(f"epoches:{n},loss:{avg_loss}")  # 打印迭代次数和损失值

二、pytorch模型的加载

模型的保存有两种方式，模型的加载也有两种方式

加载：

要加载保存的模型，使用torch.load()函数

2.1 只保存的模型参数的加载方式：

加载模型需要3步骤：

步骤1：需要模型结构(保存时搭建的模型)

步骤2：使用torch.load("model.pth")加载模型参数

步骤3：:实例化模型（model）使用model.load_state_dict(torch.load("model.pth"))将model和参数结合起来

python 复制代码 
import torch.nn as nn
import torch
import numpy as np

# 示例数据
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8], [0.4, 39.2], [-1.4, -15.7], [-1.4, -37.3], [-1.8, -49.1], [1.5, 75.6],
        [0.4, 34.0], [0.8, 62.3]]
data = np.array(data)
x_data = data[:, 0]  # 获取 x 数据
y_data = data[:, 1]  # 获取 y 数据

x_train = torch.tensor(x_data, dtype=torch.float32)  # 将 x 数据转换为 PyTorch 张量
y_train = torch.tensor(y_data, dtype=torch.float32)  # 将 y 数据转换为 PyTorch 张量

from torch.utils.data import DataLoader, TensorDataset

dataset = TensorDataset(x_train, y_train)  # 创建 TensorDataset
dataloader = DataLoader(dataset, batch_size=2, shuffle=False)  # 创建 DataLoader

import torch.nn as nn


class LinearModel(nn.Module):
    """
    线性模型类
    """

    def __init__(self):
        """
        初始化线性模型
        """
        super(
                LinearModel,
                self,
                ).__init__()

        # 定义一个线性层
        self.layers = nn.Linear(1, 1)

    def forward(
            self,
            x
            ):
        """
        前向传播函数

        :param x: 输入张量
        :return: 输出张量
        """
        x = self.layers(x)  # 通过线性层
        return x


model = LinearModel()  # 实例化线性模型

model.load_state_dict(torch.load("model_1.pth"))  # 加载模型参数

model.eval()  # 设置为评估模式
x_test = torch.tensor([[-0.5]], dtype=torch.float32)  # 创建测试数据
with torch.no_grad():  # 禁用梯度计算
    y_pre = model(x_test)  # 进行预测
print(y_pre)  # 打印预测结果

2.2 保存结构和参数的模型加载

加载模型需要2步骤：

步骤1：需要模型结构

步骤2：使用torch.load("entire_model.pth")加载模型

python 复制代码 
import torch
import numpy as np

# 准备数据：输入特征和对应的目标值
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8], [0.4, 39.2], [-1.4, -15.7], [-1.4, -37.3], [-1.8, -49.1], [1.5, 75.6],
        [0.4, 34.0], [0.8, 62.3]]
data = np.array(data)
# 提取输入特征 (x) 和目标值 (y)
x_data = data[:, 0]
y_data = data[:, 1]

# 将数据转换为 PyTorch 张量，并指定数据类型为 float32
x_train = torch.tensor(x_data, dtype=torch.float32)
y_train = torch.tensor(y_data, dtype=torch.float32)

# 导入 DataLoader 和 TensorDataset
from torch.utils.data import DataLoader, TensorDataset

# 创建 TensorDataset，将 x_train 和 y_train 组合成数据集
dataset = TensorDataset(x_train, y_train)
# 创建 DataLoader，用于批量加载数据
dataloader = DataLoader(dataset, batch_size=2, shuffle=False)

import torch.nn as nn


# 定义线性模型类
class LinearModel(nn.Module):
    def __init__(self):
        super(
                LinearModel,
                self,
                ).__init__()

        # 定义一个线性层，输入维度为 1，输出维度为 1
        self.layers = nn.Linear(1, 1)

    def forward(
            self,
            x
            ):
        # 定义前向传播过程
        x = self.layers(x)
        return x


# 加载预训练的模型
model = torch.load("model_1.pth")

# 将模型设置为评估模式，禁用 dropout 等
model.eval()
# 创建一个测试数据
x_test = torch.tensor([[-0.5]], dtype=torch.float32)
# 在无梯度计算的环境下进行预测
with torch.no_grad():
    # 使用加载的模型进行预测
    y_pre = model(x_test)
# 打印预测结果
print(y_pre)

三、pytorch模型网络结构的查看

3.1 print

print(model) 能打印出网络结构，不能检测模型搭建是否正确

print(model) 仅打印模型结构。

python 复制代码 
import torch.nn as nn  # 导入神经网络模块
import torch  # 导入 torch
import numpy as np  # 导入 numpy

# 定义数据集，包含输入和输出
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8], [0.4, 39.2], [-1.4, -15.7], [-1.4, -37.3], [-1.8, -49.1], [1.5, 75.6],
        [0.4, 34.0], [0.8, 62.3]]
data = np.array(data)  # 将数据转换为 numpy 数组
x_data = data[:, 0]  # 获取输入数据
y_data = data[:, 1]  # 获取输出数据

x_train = torch.tensor(x_data, dtype=torch.float32)  # 将输入数据转换为 tensor
y_train = torch.tensor(y_data, dtype=torch.float32)  # 将输出数据转换为 tensor

from torch.utils.data import DataLoader, TensorDataset  # 导入 DataLoader 和 TensorDataset

dataset = TensorDataset(x_train, y_train)  # 将输入和输出数据组合成 dataset
dataloader = DataLoader(dataset, batch_size=2, shuffle=False)  # 创建 dataloader，用于批量加载数据

import torch.nn as nn  # 导入神经网络模块


# 定义线性模型
class LinearModel(nn.Module):
    def __init__(self):
        super(
                LinearModel,
                self,
                ).__init__()  # 调用父类构造函数

        self.layers = nn.Linear(1, 1)  # 定义一个线性层，输入维度为 1，输出维度为 1
        self.layers1 = nn.Linear(2, 2)  # 定义一个线性层，输入维度为 2，输出维度为 2

    def forward(
            self,
            x
            ):  # 定义前向传播函数
        x = self.layers(x)  # 通过第一个线性层
        x = self.layers1(x)  # 通过第二个线性层
        return x  # 返回输出


model = LinearModel()  # 实例化模型
print(model)  # 打印模型结构

3.2 summary

先安装 pip install torchsummary

torchsummary 主要用于查看模型结构 并且检测网络是否搭建正确，不正确就报错

python 复制代码 
import torch.nn as nn  # 导入神经网络模块
import torch  # 导入torch
import numpy as np  # 导入numpy

# 准备数据
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8], [0.4, 39.2], [-1.4, -15.7], [-1.4, -37.3], [-1.8, -49.1], [1.5, 75.6],
        [0.4, 34.0], [0.8, 62.3]]
data = np.array(data)  # 转换为numpy数组
x_data = data[:, 0]  # 获取x数据
y_data = data[:, 1]  # 获取y数据

x_train = torch.tensor(x_data, dtype=torch.float32)  # 转换为torch张量
y_train = torch.tensor(y_data, dtype=torch.float32)  # 转换为torch张量

from torch.utils.data import DataLoader, TensorDataset  # 导入DataLoader和TensorDataset

dataset = TensorDataset(x_train, y_train)  # 创建数据集
dataloader = DataLoader(dataset, batch_size=2, shuffle=False)  # 创建数据加载器

import torch.nn as nn  # 导入神经网络模块


# 定义线性模型
class LinearModel(nn.Module):
    def __init__(self):
        super(
                LinearModel,
                self,
                ).__init__()  # 调用父类初始化方法

        self.layers = nn.Linear(1, 2)  # 定义线性层1，输入维度1，输出维度2
        self.layers1 = nn.Linear(2, 5)  # 定义线性层2，输入维度2，输出维度5

    def forward(
            self,
            x
            ):  # 定义前向传播函数
        x = self.layers(x)  # 通过线性层1
        x = self.layers1(x)  # 通过线性层2
        return x  # 返回输出


model = LinearModel()  # 实例化模型

from torchsummary import summary  # 导入summary

summary(
        model,
        input_size=(1,),  # 输入尺寸
        device="cpu"  # 设备
        )

3.3 netron

pip install --upgrade netron

netron

pycharm 终端下输入 pip install netron -i Simple Index

下载好后，在终端下输入 netron ，在浏览器上输入 http://localhost:8080即可

netron 用于模型文件的可视化，

问题：netron对pytorch支持不好，层和层之间没有连线

3.3.1 解决方法1

什么是 JIT？

首先要知道 JIT 是一种概念，全称是 Just In Time Compilation，中文译为「即时编译」，是一种程序优化的方法

将模型保存为脚本文件分两步

step1,先转化为脚本模型

script_model=torch.jit.script(model)

step2保存为文件

torch.jit.save(script_model,"script_model.pth")

使用netron打开有连线了

python 复制代码 
import torch.nn as nn  # 导入神经网络模块
import torch  # 导入torch
import numpy as np  # 导入numpy

# 准备数据
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8], [0.4, 39.2], [-1.4, -15.7], [-1.4, -37.3], [-1.8, -49.1], [1.5, 75.6],
        [0.4, 34.0], [0.8, 62.3]]
data = np.array(data)  # 转换为numpy数组
x_data = data[:, 0]  # 获取x数据
y_data = data[:, 1]  # 获取y数据

x_train = torch.tensor(x_data, dtype=torch.float32)  # 转换为torch张量
y_train = torch.tensor(y_data, dtype=torch.float32)  # 转换为torch张量
print(x_train)  # 打印x_train
import torch.nn as nn  # 再次导入神经网络模块

criterion = nn.MSELoss()  # 定义均方误差损失函数


# 定义线性模型
class LinearModel(nn.Module):
    def __init__(self):
        super(
                LinearModel,
                self,
                ).__init__()  # 调用父类初始化方法

        self.layers = nn.Linear(1, 1)  # 定义线性层1，输入维度1，输出维度1
        self.layers1 = nn.Linear(1, 2)  # 定义线性层2，输入维度1，输出维度2

    def forward(
            self,
            x
            ):  # 定义前向传播函数
        x = self.layers(x)  # 通过线性层1
        x = self.layers1(x)  # 通过线性层2
        return x  # 返回输出


model = LinearModel()  # 实例化模型
script_model = torch.jit.script(model)  # 将模型转换为 TorchScript
torch.jit.save(script_model, 'script_model.pth')  # 保存 TorchScript 模型

3.3.2 解决方法2

转成ONNX保存，ONNX(Open Neural Network Exchange)是一个开放的深度学习模型交换格式，它允许在不同的深度学习框架之间共享、迁移和使用模型。ONNX的目标是提供一个通用的中间表示，使得各种深度学习框架(如pytorch tensorflow MXNeE等)之间能够更轻松交换模型，并且能够在不同框架之间进行模型的部署和推理。

转化为ONNX模型，如果不能运行就安装onnx

安装命令 pip install onnx -i Simple Index

python 复制代码 
import torch.nn as nn  # 导入神经网络模块
import torch  # 导入torch
import numpy as np  # 导入numpy

# 准备数据，这里是一些二维数据点
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8], [0.4, 39.2], [-1.4, -15.7], [-1.4, -37.3], [-1.8, -49.1], [1.5, 75.6],
        [0.4, 34.0], [0.8, 62.3]]
data = np.array(data)  # 将数据转换为numpy数组，方便后续处理
x_data = data[:, 0]  # 从数据中提取x坐标
y_data = data[:, 1]  # 从数据中提取y坐标

x_train = torch.tensor(x_data, dtype=torch.float32)  # 将x坐标转换为torch张量，并指定数据类型为float32
y_train = torch.tensor(y_data, dtype=torch.float32)  # 将y坐标转换为torch张量，并指定数据类型为float32
print(x_train)  # 打印x_train，用于调试
import torch.nn as nn  # 再次导入神经网络模块，虽然已经导入过，但为了代码完整性保留

criterion = nn.MSELoss()  # 定义均方误差损失函数，用于衡量模型预测值和真实值之间的差距


# 定义一个线性模型类，继承自nn.Module
class LinearModel(nn.Module):
    def __init__(self):
        # 调用父类的初始化方法
        super(
                LinearModel,
                self,
                ).__init__()

        # 定义一个线性层，输入维度为1，输出维度为1
        self.layers = nn.Linear(1, 1)
        # 定义一个线性层，输入维度为1，输出维度为2
        self.layers1 = nn.Linear(1, 2)
        # 定义一个线性层，输入维度为2，输出维度为2
        self.layers2 = nn.Linear(2, 2)

    def forward(
            self,
            x
            ):
        # 定义模型的前向传播过程
        x = self.layers(x)  # 将输入x通过第一个线性层
        x = self.layers1(x)  # 将第一个线性层的输出通过第二个线性层
        x = self.layers2(x)  # 将第二个线性层的输出通过第三个线性层
        return x  # 返回模型的输出


model = LinearModel()  # 实例化线性模型

torch.onnx.export(
        model,  # 要导出的模型
        torch.rand(1, 1),  # 模型的输入，这里使用一个随机张量
        "model1.onnx"  # 导出的onnx模型的文件名
        )

3.4 TensorboardX

TensorboardX 这个工具使得 pytorch 框架也可以使用到 Tensorboard 的便捷功能。

安装：

pip install TensorboardX -i Simple Index

tensorboardX 可以记录和可视化模型训练过程中的指标以及模型结构。，

求换到logs路径下执行下面命令

#tensorboard --logdir ./logs

python -m tensorboard.main --logdir="./logs"

就可以通过http://localhost:6006/ 查看了

python 复制代码 
import torch  # 导入torch
import numpy as np  # 导入numpy

data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8], [0.4, 39.2], [-1.4, -15.7], [-1.4, -37.3], [-1.8, -49.1], [1.5, 75.6],
        [0.4, 34.0], [0.8, 62.3]]  # 定义数据集
data = np.array(data)  # 将数据转换为numpy数组
x_data = data[:, 0]  # 获取x坐标数据
y_data = data[:, 1]  # 获取y坐标数据

x_train = torch.tensor(x_data, dtype=torch.float32)  # 将x数据转换为torch张量，指定数据类型
y_train = torch.tensor(y_data, dtype=torch.float32)  # 将y数据转换为torch张量，指定数据类型
print(x_train)  # 打印x_train，用于调试
import torch.nn as nn  # 再次导入神经网络模块，避免潜在的未定义错误

criterion = nn.MSELoss()  # 定义均方误差损失函数


class LinearModel(nn.Module):  # 定义线性模型
    def __init__(self):  # 定义初始化方法
        super(
                LinearModel,
                self,
                ).__init__()  # 调用父类初始化方法

        self.layers = nn.Linear(1, 1)  # 定义线性层，输入维度为1，输出维度为1

    def forward(
            self,
            x
            ):  # 定义前向传播函数
        x = self.layers(x)  # 将输入x通过线性层
        return x  # 返回输出


model = LinearModel()  # 实例化线性模型
from tensorboardX import SummaryWriter  # 导入SummaryWriter，用于TensorBoard可视化

writer = SummaryWriter(logdir="logs")  # 创建SummaryWriter实例，指定日志存储路径
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 定义优化器，使用随机梯度下降算法

epoches = 500  # 定义训练轮数
for n in range(1, epoches + 1):  # 循环训练
    y_prd = model(x_train.unsqueeze(1))  # 模型预测，unsqueeze(1)将x_train的维度从(N,)变为(N,1)
    loss = criterion(y_prd.squeeze(1), y_train)  # 计算损失，squeeze(1)将y_prd的维度从(N,1)变为(N,)
    optimizer.zero_grad()  # 梯度清零
    loss.backward()  # 反向传播，计算梯度
    optimizer.step()  # 更新模型参数
    writer.add_scalar("loss", loss, n)  # 将损失值写入TensorBoard
    writer.add_scalar("learing_rate", optimizer.param_groups[0]["lr"], n)  # 将学习率写入TensorBoard
    if n % 10 == 0 or n == 1:  # 每10轮打印一次损失值
        print(f"epoches:{n},loss:{loss}")  # 打印轮数和损失值

writer.add_graph(model, torch.rand(1, 1))  # 将模型结构写入TensorBoard
writer.close()  # 关闭SummaryWriter

四、tensorflow 框架的线性回归

从以下5个方面对深度学习框架tensorflow框架的线性回归进行介绍

1.tensorflow模型的定义

2.tensorflow模型的保存

3.tensorflow模型的加载

4.tensorflow模型网络结构的查看

5.tensorflow框架线性回归的代码实现

上面这5方面的内容，让大家，掌握并理解tensorflow框架实现线性回归的过程。

tensorflow官网

https://www.tensorflow.org/guide/keras/sequential_modelhttps://www.tensorflow.org/guide/keras/sequential_model

下面这个网址也可以使用

Module: tf | TensorFlow v2.16.1## TensorFlowhttps://tensorflow.google.cn/api_docs/python/tf

4.1 tensorflow模型的定义

什么是tf.keras？

tf.keras的功能是实现tensorflow模型搭建、模型训练和模型预测

4.1.1 tf.keras.Sequential

python 复制代码 
import tensorflow as tf

model=tf.keras.Sequential([tf.keras.layers.Dense(1,#输出特征的维度
input_shape=(1,)#输入的特征维度
)] #使用序列层需要在列表中添加线性层
 )

4.1.2 tf.keras.Sequential()另一种方式

python 复制代码 
import tensorflow as tf
#方案2的第1种方法
model=tf.keras.Sequential() #申请一个序列的对象
model.add(tf.keras.Input(shape=(1,)))
model.add(tf.keras.layers.Dense(1))
#方案2的第2种方法
model=tf.keras.Sequential()
model.add(tf.keras.layers.Dense(1,input_shape=(1,)))

4.1.3 就是写一个类重写实现网络的搭建

python 复制代码 
import tensorflow as tf
from tensorflow.keras import Model

class Linear(Model):
    #初始化
    def __init__(self):
        super(Linear,self).__init__()
        #定义网络层
        self.linear=tf.keras.layers.Dense(1)
    #和pytroch有点不同，pytorch使用forward 这里使用call函数调用
    def call(self,x,**kwargs):
        x=self.linear(x)
        return x
model=Linear()

4.1.4 tensorflow中最常用的

python 复制代码 
import tensorflow as tf
#直接写个函数
def linear():
    #input 表示输入的特征维度信息，且要指定数据类型
    input=tf.keras.layers.Input(shape=(1,),dtype=tf.float32)
    #下面层数搭建必须要把上一次的输入使用圆括号括起来
    y=tf.keras.layers.Dense(1)(input)
    #最后网络网络搭建以后必须使用tf.keras.models.Model进行封装，且输入参数(inputs)为输入的维度信息，输出参数(outputs)为最后一层网络输出
    model=tf.keras.models.Model(inputs=input,outputs=y)
    #返回模型
    return model
model=linear()

4.2 tensorflow模型的保存

模型的保存方式

4.2.1 保存为 .h5

HDF5文件 后缀名 .h5

保存参数、模型结构、训练的配置等等

只针对函数 或者顺序模型 的方式 方案3不支持

model.save('./my_model.h5')

4.2.2 只保存参数

保存参数包括权重w及偏置b

model.save_weights('./model.weights.h5')

python 复制代码 
import tensorflow as tf
from  tensorflow.keras import Model


#tensorflow最常用的搭建方式
#直接写个函数
def linear():
    #input 表示输入的特征维度信息，且要指定数据类型
    input=tf.keras.layers.Input(shape=(1,),dtype=tf.float32)
    #下面层数搭建必须要把上一次的输入使用圆括号括起来
    y=tf.keras.layers.Dense(1)(input)
    #最后网络网络搭建以后必须使用tf.keras.models.Model进行封装，且输入参数(inputs)为输入的维度信息，输出参数(outputs)为最后一层网络输出
    model=tf.keras.models.Model(inputs=input,outputs=y)
    #返回模型
    return model
model=linear()

model.save('./my_model.h5')

#保存为参数方式
model.save_weights('./model.weights.h5')

4.3 tensorflow模型的加载

4.3.1 模型加载 针对方式1

python 复制代码 
import tensorflow as tf
from  tensorflow.keras import Model
#针对第一个方案 所有的参数都保存了
# 模型的加载方式 # 方式1: HDF5文件 后缀名 .h5
#加载参数、模型结构、训练的配置等等
#方式1：与pytorch区别，pytorch需要原来的模型结构，
# 在tensorflow里面可以不给原来的模型结构

load_model=tf.keras.models.load_model('my_model.h5')
print(load_model)

4.3.2 加载只保存参数，包括权重w及偏置b

python 复制代码 
import tensorflow as tf 
def linear():
    #input 表示输入的特征维度信息，且要指定数据类型
    input=tf.keras.layers.Input(shape=(1,),dtype=tf.float32)
    #下面层数搭建必须要把上一次的输入使用圆括号括起来
    y=tf.keras.layers.Dense(1)(input)
    #最后网络网络搭建以后必须使用tf.keras.models.Model进行封装，且输入参数(inputs)为输入的维度信息，输出参数(outputs)为最后一层网络输出
    model=tf.keras.models.Model(inputs=input,outputs=y)
    #返回模型
    return model
model=linear()

model.load_weights('model.weights.h5')
print(model)

4.4 tensorflow模型网络结构的查看

4.4.1summary() 模型搭建好就有summary()

print(model.summary())

4.4.2 使用netron

netron pycharm 终端下输入 pip install netron

下载好后，在终端下输入 netron，

在浏览器上输入 http://localhost:8080 即可

打开一个模型后刷新就可以打开另一个模型

4.4.3 最经典的 tensorboard 方法

#在计算图中添加模型

tensorboard_callback=tf.keras.callbacks.TensorBoard(log_dir='./logs')

#callbacks需要一个列表

model.fit(x_train,y_train,epochs=epochs,callbacks=[tensorboard_callback])

下载tensorboard 终端 下载 pip install tensorboard ，下载成功后，切到日志写入的文件夹的上一个文件夹所在位置 ，输入python -m tensorboard.main --logdir="./logs" 下面会出来一个网址 http://localhost:6006/ 在浏览器打开就可以了。会显示缺少这个包，将six安装上 pip install six

效果图

模型训练好网络查看代码

python 复制代码 
#导入库
import tensorflow as tf
import numpy as np
from tensorflow.keras import Model
#设置随机化种子
seed=1
#设置随机数种子 确保每次的运行结果一致
tf.random.set_seed(seed)

# 1.散点输入 定义输入数据
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8], [0.4, 39.2], [-1.4, -15.7], [-1.4, -37.3], [-1.8, -49.1], [1.5, 75.6], [0.4, 34.0], [0.8, 62.3]]
#转化为数组
data=np.array(data)
# 提取x 和y
x_data=data[:,0]
y_data=data[:,1]

#转化为tensorflow用的张量 创建张量
x_train=tf.constant(x_data,dtype=tf.float32)
y_train=tf.constant(y_data,dtype=tf.float32)

#可以将numpy数组或者tensorflow张量 把数据切成(x_train_i,y_train_i)
dataset=tf.data.Dataset.from_tensor_slices((x_train,y_train))
#shuffle是打乱，但是这个buffer_size是啥？
# buffer_size规定了乱序缓冲区的大小，且要求缓冲区大小小于或等于数据集的完整大小；
# 假设数据集的大小为10000，buffer_size为1000，最开始算法会把前1000个数据放入缓冲区；
#当从缓冲区内的这1000个数据中随机选出一个元素后，这个元素的位置会被数据集的第1001个数据替换；然后再从
#这1000个元素中随机选择第2个元素，第2个会被数据集中第1002个数据替换，以此类推，此外buffer_size不宜过大
# ，过大会导致内存爆炸
dataset=dataset.shuffle(buffer_size=10)
#数据集的batch是2
dataset=dataset.batch(2)
#预取训练的方式,CPU取数据，GPU tpu会取出来一批数据，在cpu上没效果 效果会改善延迟和吞吐量
dataset=dataset.prefetch(buffer_size=tf.data.experimental.AUTOTUNE)


# 方案4
def linear():
    input=tf.keras.layers.Input(shape=(1,),dtype=tf.float32)
    y=tf.keras.layers.Dense(1)(input)
    model=tf.keras.models.Model(inputs=input,outputs=y)
    return model
model=linear()
# #3.定义损失函数和优化器
optimizer=tf.keras.optimizers.SGD(learning_rate=0.01)
#模型配置
model.compile(optimizer=optimizer,#配置优化器
              loss="mean_squared_error"#配置使用什么损失函数
              )

#查看网络结构
#方法1：summary()
#结构中None是batch
print(model.summary())


#方法2 使用netron
# netron pycharm 终端下输入  pip install netron
# 下载好后，在终端下输入 netron，
# 在浏览器上输入 http://localhost:8080 即可
# 打开一个模型后刷新就可以打开另一个模型

#方法 3 最经典的 tensorboard 方法
epochs=500
#在计算图中添加模型
tensorboard_callback=tf.keras.callbacks.TensorBoard(log_dir='./logs')
#callbacks需要一个列表
#模型训练
model.fit(x_train,#输入数据
          y_train,#输入标签数据
          epochs=epochs,#迭代的次数
          callbacks=[tensorboard_callback]#图形展示可有可无
          )
#保存模型
model.save_weights("model.weights.h5")
#预测模型
input_data=np.array([[-0.5]])
pre=model.predict(input_data)
#从数组中提取出结果值
print(f"model result :{pre[0][0]:2.3f}")

总结

本文全面介绍了PyTorch和TensorFlow两大深度学习框架中模型的保存、加载以及网络结构可视化的方法。针对PyTorch，详细讲解了使用torch.save()保存和torch.load()加载整个模型以及仅保存模型参数的方法，并探讨了如何使用print(model)、torchsummary、Netron和TensorboardX等工具查看和验证模型结构。对于TensorFlow，文章阐述了使用tf.keras定义模型的三种方式，包括tf.keras.Sequential、通过类继承重写以及函数式API，并介绍了将模型保存为.h5文件和仅保存模型参数的方法。同时，本文还展示了TensorFlow模型加载以及使用summary()、Netron和TensorBoard等工具进行模型结构可视化的具体步骤。

相关推荐
陈佬昔没带相机2 分钟前
[译]AI 是资深开发者的黄金时代
人工智能·程序员
Lilith的AI学习日记13 分钟前
n8n 中文系列教程_04.半开放节点深度解析：Code与HTTP Request高阶用法指南
大数据·人工智能·aigc·n8n
带娃的IT创业者22 分钟前
《AI大模型应知应会100篇》第22篇：系统提示词(System Prompt)设计与优化
人工智能·prompt
绝顶大聪明27 分钟前
【图像轮廓特征查找】图像处理（OpenCV) -part8
图像处理·人工智能·opencv
liruiqiang0527 分钟前
神经网络优化 - 小批量梯度下降之批量大小的选择
人工智能·深度学习·神经网络·机器学习·梯度下降
AI大模型顾潇28 分钟前
[特殊字符] Prompt如何驱动大模型对本地文件实现自主变更：Cline技术深度解析
前端·人工智能·llm·微调·prompt·编程·ai大模型
Blossom.11836 分钟前
量子计算与经典计算融合：开启计算新时代
人工智能·深度学习·opencv·物联网·生活·边缘计算·量子计算
AI技术学长1 小时前
深度学习-python猫狗识别tensorflow2.0
人工智能·深度学习·计算机视觉·图像识别·计算机技术·tensorflow2·猫狗识别
6confim1 小时前
掌握 Cursor：AI 编程助手的高效使用技巧
前端·人工智能·后端
offerwa1 小时前
LLM多模态能力应用实战指南
人工智能
热门推荐
01KGG转MP3工具|非KGM文件|解密音频02我决定放弃搞 Java 了03RAG 实践- Ollama+RagFlow 部署本地知识库04【漏洞复现】SpringBlade tenant/list SQL 注入漏洞05YOLOv8改进 | 细节创新篇 | iAFF迭代注意力特征融合助力多目标细节涨点06DeepSeek各版本说明与优缺点分析07如何在WPS和Word/Excel中直接使用DeepSeek功能08Scipy||第三章 线性代数 (scipy.linalg)09本地化部署AI知识库：基于Ollama+DeepSeek+AnythingLLM保姆级教程10苍穹外卖面试总结