📘 Day 35 实战作业：最后一公里 ------ 可视化、保存与推理
1. 作业综述
核心目标 ：
完成深度学习项目的闭环。
训练不是终点，应用 才是。我们需要学会查看模型结构，将训练好的模型保存为文件（.pth），并重新加载它来进行预测（推理）。
涉及知识点：
- 结构检视 :
print(model)与model.named_parameters()。 - 模型持久化 :
torch.save与torch.load。 - 状态字典 : 理解
state_dict的核心作用。 - 推理模式 :
model.eval()与torch.no_grad()的重要性。
场景类比：
- 训练: 像是读书上课，把知识（权重）装进脑子。
- 保存: 像是把脑子里的知识写成一本"秘籍"（.pth文件）。
- 加载: 别人拿到秘籍，修炼一下，也拥有了同样的功力。
- 推理: 用这身功力去解决实际问题（考试/打架）。
步骤 1：模型解剖
场景描述 ：
我们在代码里写了 nn.Linear，但模型内部到底有多少参数？
比如一个 4 -> 10 的全连接层，参数量是 10 × 4 10 \times 4 10×4 (权重) + 10 10 10 (偏置) = 50 50 50 个。
我们需要学会查看这些细节。
任务：
- 定义并实例化之前的 MLP 模型。
- 直接打印模型对象（查看层结构）。
- 遍历
named_parameters()，打印每一层的参数形状。
py
import torch
import torch.nn as nn
# --- 1. 快速复现模型 (复习) ---
class MLP(nn.Module):
def __init__(self):
super(MLP, self).__init__()
self.fc1 = nn.Linear(4, 10)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(10, 3)
def forward(self, x):
out = self.fc1(x)
out = self.relu(out)
out = self.fc2(out)
return out
model = MLP()
# --- 2. 宏观：看结构 ---
print("=== 模型结构图 ===")
print(model)
# --- 3. 微观：看参数 ---
print("\n=== 参数细节 ===")
total_params = 0
for name, param in model.named_parameters():
print(f"层: {name} | 形状: {param.shape}")
# 累加参数数量 (numel = number of elements)
total_params += param.numel()
print(f"\n🔥 模型总参数量: {total_params}")
# 算一下：fc1 (4*10 + 10) + fc2 (10*3 + 3) = 50 + 33 = 83。对上了吗？=== 模型结构图 ===
MLP(
(fc1): Linear(in_features=4, out_features=10, bias=True)
(relu): ReLU()
(fc2): Linear(in_features=10, out_features=3, bias=True)
)
=== 参数细节 ===
层: fc1.weight | 形状: torch.Size([10, 4])
层: fc1.bias | 形状: torch.Size([10])
层: fc2.weight | 形状: torch.Size([3, 10])
层: fc2.bias | 形状: torch.Size([3])
🔥 模型总参数量: 83步骤 2：模型的保存与加载
核心概念 ：
PyTorch 推荐只保存参数 （权重和偏置），而不是保存整个模型对象。
这些参数存储在一个字典里，叫 state_dict。
- 保存 ：
torch.save(model.state_dict(), "best_model.pth") - 加载 ：先实例化一个空模型，然后
model.load_state_dict(...)
任务：
- 模拟训练（这里直接保存初始模型即可）。
- 将模型参数保存到
iris_model.pth。 - 删除原模型，创建一个新模型，加载参数，验证是否复活。
py
import os
# --- 1. 保存 (Save) ---
save_path = "iris_model.pth"
print(f"💾 正在保存模型参数到: {save_path} ...")
# 这里的 state_dict() 就是那本"秘籍"
torch.save(model.state_dict(), save_path)
print("✅ 保存成功！")
# 检查文件是否存在
print(f"文件存在性检查: {os.path.exists(save_path)}")
# --- 2. 加载 (Load) ---
print("\n🔄 正在模拟加载过程...")
# 假设我们在另一台电脑上，首先需要定义同样的模型结构（空壳）
new_model = MLP()
# 此时 new_model 的参数是随机初始化的
# 我们把保存的参数加载进去
# weights_only=True 是为了安全（防止pickle注入），新版本推荐加上
state_dict = torch.load(save_path, weights_only=True)
new_model.load_state_dict(state_dict)
print("✅ 模型加载完毕！")
print("新模型 fc1 偏置的前5个值:", new_model.fc1.bias[:5].detach().numpy())💾 正在保存模型参数到: iris_model.pth ...
✅ 保存成功！
文件存在性检查: True
🔄 正在模拟加载过程...
✅ 模型加载完毕！
新模型 fc1 偏置的前5个值: [ 0.01631749 -0.33050632 -0.18811053 -0.42050672 -0.4696836 ]步骤 3：推理模式 (Inference)
场景描述 ：
模型训练好并加载后，就可以上线使用了。
在推理（预测）阶段，有两个关键动作：
model.eval(): 告诉模型"我要考试了"，关闭 Dropout 和 BatchNorm 等训练专用的层。torch.no_grad(): 告诉 PyTorch "不需要算梯度"，这样能省大量内存并加速。
任务：
- 准备一条新的测试数据。
- 切换到推理模式。
- 预测这条数据属于哪一类鸢尾花。
py
# --- 1. 准备一条假数据 ---
# 假设有4个特征：花萼长、宽，花瓣长、宽
# 注意：输入必须是 Tensor，且通常需要加一个 batch 维度 (1, 4)
sample_data = torch.tensor([[5.1, 3.5, 1.4, 0.2]])
print(f"输入数据形状: {sample_data.shape}")
# --- 2. 推理流程 (标准范式) ---
# A. 切换评估模式
new_model.eval()
# B. 关闭梯度计算上下文
with torch.no_grad():
# 前向传播
outputs = new_model(sample_data)
# 获取预测结果
# outputs 是 (1, 3) 的概率分布（Logits）
print(f"模型原始输出 (Logits): {outputs}")
# 转化为概率 (Softmax)
probs = torch.softmax(outputs, dim=1)
print(f"预测概率: {probs}")
# 取概率最大的类别索引
predicted_class = torch.argmax(probs, dim=1).item()
# --- 3. 结果解读 ---
class_names = ['Setosa', 'Versicolor', 'Virginica']
print(f"\n🔮 最终预测类别: {predicted_class} -> {class_names[predicted_class]}")输入数据形状: torch.Size([1, 4])
模型原始输出 (Logits): tensor([[ 0.0609, -0.5886, -0.3129]])
预测概率: tensor([[0.4524, 0.2363, 0.3113]])
🔮 最终预测类别: 0 -> Setosa🎓 Day 35 总结：深度学习基础通关！
恭喜你！完成了从 Numpy 手搓感知机，到 PyTorch 搭建、训练、保存、推理的全过程。
回顾今天的重点：
- 参数量 : 以后看到论文里的 "10B parameters" (100亿参数)，你就知道那是
numel()累加出来的。 - State Dict : 模型文件本质上就是一个 Python 字典，存着
{'fc1.weight': tensor(...), ...}。 - Eval Mode : 预测时不加
model.eval()和no_grad()是新手最容易犯的错误，可能导致结果不准或显存爆炸。
Next Level (预告) :
从明天开始，我们将不再处理简单的表格数据。
我们将进入 计算机视觉 (Computer Vision) 的世界，去处理真正的 图像数据。卷积神经网络 (CNN)、ResNet、迁移学习......激动人心的旅程才刚刚开始！
准备好你的 GPU，我们明天见！ 🚀