PyTorch快速搭建神經網絡及其保存提取方法詳解

更新時間：2018年04月28日 10:39:45 作者：marsjhao

本篇文章主要介紹了PyTorch快速搭建神經網絡及其保存提取方法詳解，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

有時候我們訓練了一個模型, 希望保存它下次直接使用,不需要下次再花時間去訓練，本節(jié)我們來講解一下PyTorch快速搭建神經網絡及其保存提取方法詳解

一、PyTorch快速搭建神經網絡方法

先看實驗代碼：

import torch 
import torch.nn.functional as F 
 
# 方法1，通過定義一個Net類來建立神經網絡 
class Net(torch.nn.Module): 
  def __init__(self, n_feature, n_hidden, n_output): 
    super(Net, self).__init__() 
    self.hidden = torch.nn.Linear(n_feature, n_hidden) 
    self.predict = torch.nn.Linear(n_hidden, n_output) 
 
  def forward(self, x): 
    x = F.relu(self.hidden(x)) 
    x = self.predict(x) 
    return x 
 
net1 = Net(2, 10, 2) 
print('方法1：\n', net1) 
 
# 方法2 通過torch.nn.Sequential快速建立神經網絡結構 
net2 = torch.nn.Sequential( 
  torch.nn.Linear(2, 10), 
  torch.nn.ReLU(), 
  torch.nn.Linear(10, 2), 
  ) 
print('方法2：\n', net2) 
# 經驗證，兩種方法構建的神經網絡功能相同，結構細節(jié)稍有不同 
 
''''' 
方法1： 
 Net ( 
 (hidden): Linear (2 -> 10) 
 (predict): Linear (10 -> 2) 
) 
方法2： 
 Sequential ( 
 (0): Linear (2 -> 10) 
 (1): ReLU () 
 (2): Linear (10 -> 2) 
) 
'''

先前學習了通過定義一個Net類來構建神經網絡的方法，classNet中首先通過super函數(shù)繼承torch.nn.Module模塊的構造方法，再通過添加屬性的方式搭建神經網絡各層的結構信息，在forward方法中完善神經網絡各層之間的連接信息，然后再通過定義Net類對象的方式完成對神經網絡結構的構建。

構建神經網絡的另一個方法，也可以說是快速構建方法，就是通過torch.nn.Sequential，直接完成對神經網絡的建立。

兩種方法構建得到的神經網絡結構完全相同，都可以通過print函數(shù)來打印輸出網絡信息，不過打印結果會有些許不同。

二、PyTorch的神經網絡保存和提取

在學習和研究深度學習的時候，當我們通過一定時間的訓練，得到了一個比較好的模型的時候，我們當然希望將這個模型及模型參數(shù)保存下來，以備后用，所以神經網絡的保存和模型參數(shù)提取重載是很有必要的。

首先，我們需要在需要保存網路結構及其模型參數(shù)的神經網絡的定義、訓練部分之后通過torch.save()實現(xiàn)對網絡結構和模型參數(shù)的保存。有兩種保存方式：一是保存年整個神經網絡的的結構信息和模型參數(shù)信息，save的對象是網絡net；二是只保存神經網絡的訓練模型參數(shù)，save的對象是net.state_dict()，保存結果都以.pkl文件形式存儲。

對應上面兩種保存方式，重載方式也有兩種。對應第一種完整網絡結構信息，重載的時候通過torch.load(‘.pkl')直接初始化新的神經網絡對象即可。對應第二種只保存模型參數(shù)信息，需要首先搭建相同的神經網絡結構，通過net.load_state_dict(torch.load('.pkl'))完成模型參數(shù)的重載。在網絡比較大的時候，第一種方法會花費較多的時間。

代碼實現(xiàn)：

import torch 
from torch.autograd import Variable 
import matplotlib.pyplot as plt 
 
torch.manual_seed(1) # 設定隨機數(shù)種子 
 
# 創(chuàng)建數(shù)據 
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) 
y = x.pow(2) + 0.2*torch.rand(x.size()) 
x, y = Variable(x, requires_grad=False), Variable(y, requires_grad=False) 
 
# 將待保存的神經網絡定義在一個函數(shù)中 
def save(): 
  # 神經網絡結構 
  net1 = torch.nn.Sequential( 
    torch.nn.Linear(1, 10), 
    torch.nn.ReLU(), 
    torch.nn.Linear(10, 1), 
    ) 
  optimizer = torch.optim.SGD(net1.parameters(), lr=0.5) 
  loss_function = torch.nn.MSELoss() 
 
  # 訓練部分 
  for i in range(300): 
    prediction = net1(x) 
    loss = loss_function(prediction, y) 
    optimizer.zero_grad() 
    loss.backward() 
    optimizer.step() 
 
  # 繪圖部分 
  plt.figure(1, figsize=(10, 3)) 
  plt.subplot(131) 
  plt.title('net1') 
  plt.scatter(x.data.numpy(), y.data.numpy()) 
  plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) 
 
  # 保存神經網絡 
  torch.save(net1, '7-net.pkl')           # 保存整個神經網絡的結構和模型參數(shù) 
  torch.save(net1.state_dict(), '7-net_params.pkl') # 只保存神經網絡的模型參數(shù) 
 
# 載入整個神經網絡的結構及其模型參數(shù) 
def reload_net(): 
  net2 = torch.load('7-net.pkl') 
  prediction = net2(x) 
 
  plt.subplot(132) 
  plt.title('net2') 
  plt.scatter(x.data.numpy(), y.data.numpy()) 
  plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) 
 
# 只載入神經網絡的模型參數(shù)，神經網絡的結構需要與保存的神經網絡相同的結構 
def reload_params(): 
  # 首先搭建相同的神經網絡結構 
  net3 = torch.nn.Sequential( 
    torch.nn.Linear(1, 10), 
    torch.nn.ReLU(), 
    torch.nn.Linear(10, 1), 
    ) 
 
  # 載入神經網絡的模型參數(shù) 
  net3.load_state_dict(torch.load('7-net_params.pkl')) 
  prediction = net3(x) 
 
  plt.subplot(133) 
  plt.title('net3') 
  plt.scatter(x.data.numpy(), y.data.numpy()) 
  plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) 
 
# 運行測試 
save() 
reload_net() 
reload_params()

實驗結果：