Pytorch笔记一之 cpu模型保存、加载与推理

Pytorch笔记一之 cpu模型保存、加载与推理

1.保存模型

首先，在加载模型之前，我们需要了解如何保存模型。PyTorch 提供了两种保存模型的方法：保存整个模型和仅保存模型的状态字典（state dict）。推荐使用第二种方式，因为它更灵活且体积较小。

import torch
import torch.nn as nn

# 定义一个简单的神经网络
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc = nn.Linear(10, 2)

    def forward(self, x):
        return self.fc(x)

# 实例化模型并进行训练
model = SimpleNN()
# 模型训练过程（省略）

# 保存模型的状态字典
torch.save(model.state_dict(), 'simple_nn.pth')

2. 加载模型

一旦你保存了模型，接下来就可以加载它。在加载过程中，确保模型的架构与训练时一致。以下是加载模型的步骤：

• 1.创建一个模型实例
• 2.调用 load_state_dict() 方法加载状态字典

代码示例如下：

# 重新定义模型架构
model = SimpleNN()

# 加载模型状态字典
model.load_state_dict(torch.load('simple_nn.pth', map_location=torch.device('cpu')))

3. 在 CPU 上进行推理

完成模型加载后，接下来就可以使用模型进行推理。以下是一个简单的示例：

# 模拟输入数据
input_data = torch.randn(1, 10)

# 在 CPU 上进行推理
with torch.no_grad():  # 禁用梯度计算，节省内存
    output = model(input_data)

print(output)