襄阳公司网站建设,外贸soho建站,商城网站开发报价,asp.net企业网站建设【动手学深度学习】读写文件
加载和保存张量 对于单个张量 我么可以直接调用load和save函数分别读写#xff0c;这两个函数要求我们提供一个名称#xff0c;save要求保存的变量作为输入
import torch
from torch import nn
from torch.nn import functional as F# 创建一个…【动手学深度学习】读写文件
加载和保存张量 对于单个张量 我么可以直接调用load和save函数分别读写这两个函数要求我们提供一个名称save要求保存的变量作为输入
import torch
from torch import nn
from torch.nn import functional as F# 创建一个长度为4的张量
x torch.arange(4)
torch.save(x, x-file)x2 torch.load(x-file)
print(x2)
存储一个张量列表然后把他们写入内存
y torch.zeros(4)
torch.save([x,y],x-files)
x2,y2 torch.load(x-files)
(x2,y2)
我们甚至可以写入或者读取从字符串映射到张量的字典方面读取权重
# 创建张量字典 保存张量
mydict {x:x,y:y}
torch.save(mydict,mydict)mydict2 torch.load(mydict)
mydict2
加载和保存模型参数 深度学习框架提供内置函数来保存和加载整个网络这里是保存模型的参数而不是保存整个模型
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)
取出模型的参数保存在一个mlp.params文件中
# 取出模型的参数保存在一个mlp.params文件中
torch.save(net.state_dict(),mlp.params) 恢复模型实例化原始多层感知机模型的一个备份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
clone MLP()
clone.load_state_dict(torch.load(mlp.params))
clone.eval() 比较两个对象的模型参数那么输入相同的X 计算的输出应该相同
Y_clone clone(X)
Y_clone Y
