pytorch实现网络的保存和提取

#实现网络的保存和提取
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt

#设置随机种子实现结果复现,在神经网络中，参数默认是进行随机初始化的。
# 不同的初始化参数往往会导致不同的结果，当得到比较好的结果时我们通常希望这个结果是可以复现的，
# 在pytorch中，通过设置随机数种子也可以达到这么目的
torch.manual_seed(1)

#生成数据
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)
y = x.pow(2) + 0.2*torch.rand(x.size())
x,y = Variable(x, requries_grad=False), Variable(y,requries_grad=False)

#保存网络
def save():
    net1 = torch.nn.Sequential(   #顺序搭建层
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )
    optimizer = torch.optim.SGD(net.parameters(), lr=0.5)
    loss_func = torch.nn.MSELoss()

    for t in range(100):
        prediction = net1(x)
        loss = loss_func(prediction, y) #预测值和真实值
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    torch.save(net1, ‘net1.pkl‘)                       #保存整个神经网络到net1.pkl中
    torch.save(net1.state_dict(), ‘net1_paras.pkl‘)    #保存网络里的参数到net1_paras.pkl中

    #画图


#提取方式1
#提取整个网络
def restore_net():
    net2 = torch.load(‘net1.pkl‘)    
    
#提取方式2
#先建一个一样的网络，再把保存的参数放进去
def restore_paras():
    net3 = torch.nn.Sequential(   #建立和net1一样的层，不过参数肯定不同
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )
    net3.load_state_dict(torch.load(‘net1_paras.pkl‘))