企业官网建设流程全解析

济南网站建设选聚搜网络一x,一定seo自己网站吗,免费申请信用卡,wordpress 单页海报模型的读写与加载 学习目标 通过本课程#xff0c;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#xff0c;我们…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 xtorch.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。x2torch.load(x-file)x2outtensor([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。ytorch.zeros(4)torch.save([x,y],x-files)x2,y2torch.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)mydict2torch.load(mydict)mydict2out{‘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.hiddennn.Linear(20,256)self.outputnn.Linear(256,10)defforward(self,x):returnself.output(F.relu(self.hidden(x)))netMLP()Xtorch.randn(size(2,20))Ynet(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。cloneMLP()clone.load_state_dict(torch.load(mlp.params))clone.eval()outMLP( (hidden): Linear(in_features20, out_features256, biasTrue) (output): Linear(in_features256, out_features10, biasTrue) )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_cloneclone(X)Y_cloneYouttensor([[True, True, True, True, True, True, True, True, True, True], [True, True, True, True, True, True, True, True, True, True]])