pytorch保存tensor数据,pytorch 保存权重

　　本文主要介绍基于python的pytorch来保存和恢复参数。为了恢复模型，我们需要用代码生成一个框架，然后从磁盘加载参数。以下具体介绍，可以参考各位朋友。

　　00-1010一、读写文件1。加载和保存张量2。加载和保存模型

目录

一、读写文件

　　进口火炬

　　从火炬进口nn

　　从torch.nn导入功能为F

　　导入操作系统

　　path=os.path.join(os.getcwd()，)

　　x=torch.arange(4)

　　torch.save(x，路径 x-file )

　　现在我们可以将存储在文件中的数据读回内存。

　　x2=torch.load(路径“x-file”)

　　x2

　　张量([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。

　　y=torch.zeros(4)

　　torch.save([x，y]，路径 x-file )

　　x2，y2=torch.load(路径“x-file”)

　　(x2，y2)

　　(张量([0，1，2，3])，张量([0。 0. 0. 0.]))

　　我们甚至可以编写或阅读将字符串映射到张量的字典。当我们想要读取或写入模型中的所有权重时，这很方便。

　　mydict={x: x， y: y}

　　torch.save(mydict，path mydict )

　　mydict2=torch.load(mydict )

　　我的字典2

　　{x:张量([0，1，2，3])， y:张量([0。 0. 0. 0.])}

1.加载和保存张量

　　保存单个权重向量确实很有用，但是如果我们想保存整个模型并在以后加载它们，那么单独保存每个向量会很麻烦。毕竟我们可能有上百个参数分布在各处。深度学习框架提供了内置的功能来保存和加载整个网络。注意，在这里保存模型并不保存整个模型，而只是保存所有的参数。

　　为了恢复模型，我们需要用代码生成框架，然后从磁盘加载参数。

　　net=MLP()

　　X=torch.randn(size=(2，20))

　　Y=净值(X)

　　我们将模型的参数存储在一个名为“mlp.params”的文件中

　　torch.save(net.state_dict()， mlp.params )

　　为了恢复模型，我们实例化了原始多层感知器模型的备份。这里不需要随机初始化模型参数，而是直接读取文件中的参数。

　　克隆=MLP()

　　clone . load _ state _ dict(torch . load( MLP . params ))

　　clone.eval()

　　MLP(

　　(隐藏):线性(输入特征=20，输出特征=256，偏差=真)

　　(输出):线性(输入特征=256，输出特征=10，偏差=真)

　　)

　　因为两个实例具有相同的模型参数，所以当输入相同的x时，两个实例的计算结果应该是相同的。

　　Y_clone=clone(X)

　　Y_clone==Y

　　张量([[真，真，真，真，真，真，真，真，真，真，真，真，真]，

　　[真，真，真，真，真，真，真，真，真，真，真，真]])

　　这就是关于pytorch的保存和恢复参数的基于python的介绍的文章。有关pytorch保存和恢复参数的更多信息，请搜索热门IT软件开发工作室以前的文章或继续浏览下面的相关文章。希望大家以后多多支持热门IT软件开发工作室！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。