pytorch保存和恢复参数

加载和保存张量

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

path = os.path.join(os.getcwd(), "")

x = torch.arange(4)
torch.save(x, path + "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(path + "x-file")
x2

tensor([0, 1, 2, 3])

我们可以存储一个张量列表，然后把他们读回内存

y = torch.zeros(4)
torch.save([x, y], path + 'x-file')
x2, y2 = torch.load(path + 'x-file')
(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, path + 'mydict')
mydict2 = torch.load('mydict')
mydict2

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

加载和保存模型

保存单个权重向量确实有用，但是如果我们想保存整个模型，并在之后加载他们，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分布在各处。深度学习框架提供了内置函数来保存和加载整个网络。需要注意的细节是，这里的保存模型并不是保存整个模型，而只是保存了其中的所有参数。
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 = net(X)

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的参数

clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()

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

Y_clone = clone(X)
Y_clone == Y

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