深度学习模型构建与管理：模型保存与加载技术

模型的读写与加载

学习目标

通过本课程，可以学习如何加载和存储权重向量和整个模型,以保存训练的模型或者训练过程中的计算结果。

相关知识点

• 文件读写相关的加载和保存张量/模型参数

学习内容

1 文件读写相关的加载和保存张量/模型参数

历史实验中，我们讨论了如何处理数据，以及如何构建、训练和测试深度学习模型。然而，有时我们希望保存训练的模型，以备将来在各种环境中使用（比如在部署中进行预测）。此外，当运行一个耗时较长的训练过程时，最佳的做法是定期保存中间结果，以确保在服务器电源被不小心断掉时，我们不会损失几天的计算结果。因此，现在是时候学习如何加载和存储权重向量和整个模型了。

1.1 加载和保存张量

对于单个张量，我们可以直接调用load和save函数分别读写它们。
这两个函数都要求我们提供一个名称，save要求将要保存的变量作为输入。

importtorchfromtorchimportnnfromtorch.nnimportfunctionalasF x=torch.arange(4)torch.save(x,'x-file')

我们现在可以将存储在文件中的数据读回内存。

x2=torch.load('x-file')x2

out：
tensor([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],'x-files')x2,y2=torch.load('x-files')(x2,y2)

(tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.]))
我们甚至可以写入或读取从字符串映射到张量的字典。当我们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,'mydict')mydict2=torch.load('mydict')mydict2

out：
{‘x’: tensor([0, 1, 2, 3]), ‘y’: tensor([0., 0., 0., 0.])}

1.2 加载和保存模型参数

保存单个权重向量（或其他张量）确实有用，但是如果我们想保存整个模型，并在以后加载它们，单独保存每个向量则会变得很麻烦。毕竟，我们可能有数百个参数散布在各处。因此，深度学习框架提供了内置函数来保存和加载整个网络。需要注意的一个重要细节是，这将保存模型的参数而不是保存整个模型。例如，如果我们有一个3层多层感知机，我们需要单独指定架构。因为模型本身可以包含任意代码，所以模型本身难以序列化。因此，为了恢复模型，我们需要用代码生成架构，然后从磁盘加载参数。让我们从熟悉的多层感知机开始尝试一下。

classMLP(nn.Module):def__init__(self):super().__init__()self.hidden=nn.Linear(20,256)self.output=nn.Linear(256,10)defforward(self,x):returnself.output(F.relu(self.hidden(x)))net=MLP()X=torch.randn(size=(2,20))Y=net(X)

接下来，我们将模型的参数存储在一个叫做“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机模型的一个备份。这里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()

out：

MLP( (hidden): Linear(in_features=20, out_features=256, bias=True) (output): Linear(in_features=256, out_features=10, bias=True) )

由于两个实例具有相同的模型参数，在输入相同的X时，
两个实例的计算结果应该相同。
让我们来验证一下。

Y_clone=clone(X)Y_clone==Y

out：

tensor([[True, True, True, True, True, True, True, True, True, True], [True, True, True, True, True, True, True, True, True, True]])