读写文件--PyTorch

最新推荐文章于 2024-01-22 10:28:48 发布

pig774

最新推荐文章于 2024-01-22 10:28:48 发布

阅读量261

点赞数

分类专栏：机器学习算法PyTorch实现文章标签：深度学习自然语言处理神经网络

本文链接：https://blog.youkuaiyun.com/weixin_62321421/article/details/121591737

版权

机器学习算法PyTorch实现专栏收录该内容

4 篇文章

订阅专栏

本文介绍了如何使用PyTorch库进行张量的保存与加载，包括单个张量、张量列表以及从字符串映射到张量的字典。此外，还详细讲解了模型参数的保存与恢复，通过实例演示了MLP模型参数的存储和加载过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.保存和加载张量

2.保存和加载模型模型参数

1.保存和加载张量

存储一个张量

import torch
from torch import nn
from torch.nn import functional as F

# 保存张量
x = torch.arange(4)
torch.save(x,'x-file')

# 加载张量
x2 = torch.load('x-file')
x2 # tensor([0, 1, 2, 3])

存储一个张量列表

x = torch.arange(4)
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.]))

写入或读取从字符串映射到张量的字典

x = torch.arange(4)
y = torch.zeros(4)
mydict = {'x':x,'y':y}
torch.save(mydict,'mydict')
mydict2 = torch.load('mydict')
mydict2
# {'x': tensor([0, 1, 2, 3]), 'y': tensor([0., 0., 0., 0.])}

2.保存和加载模型模型参数

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)

# 保存该net模型的参数到'mlp.params'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。
# 我们没有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() # 也要保证模型是一致的
# 加载模型参数
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()

# 验证net和clone的参数是否相同
Y_clone = clone(X)
Y == Y_clone
# 若输出值相同，说明参数值也相同

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

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

5.5. 读写文件 — 动手学深度学习 2.0.0-alpha2 documentation