保存提取神经网络

　　一般来说，神经网络是用来训练数据，做实验等等，但每次关闭神经网络或者关机后，训练好的结果等都自动清除，为了解决这一问题，需要对神经网络训练后的结果进行保存、提取。

一、保存神经网络

　　搭建神经网络、训练数据、优化等操作都需要在save()函数中进行，代码如下：

def save():
　　#快速搭建
　　net1 = torch.nn.Sequential(
　　　　torch.nn.Linear(2, 10),
　　　　torch.nn.ReLU(), 
　　　　torch.nn.Linear(10, 2),
　　)

　　optimizer = torch.optim.SGD(net1.parameters(), lr=0.5)
　　loss_func = torch.nn.MSELoss()

　　# 训练
　　for t in range(100):
　　　　prediction = net1(x)
　　　　loss = loss_func(prediction, y)
　　　　optimizer.zero_grad()
　　　　loss.backward()
　　　　optimizer.step()

　　接下来有两种方法保存：

torch.save(net1, 'net.pkl')  # 保存整个网络
torch.save(net1.state_dict(), 'net_params.pkl')   # 只保存网络中的参数 

 

二、提取神经网络

　　2.1 提取整个神经网络

def restore_net():
    # restore entire net1 to net2
    net2 = torch.load('net.pkl')

　　2.2 只提取神经网络中的参数（速度更快）

　　此时，不能直接提取，如果只提取参数，那么在提取之前，需要构建一个和net1完全一样的神经网络了net3，然后把net1的参数复制到net3中

def restore_params():
    # 新建 net3
    net3 = torch.nn.Sequential(
        torch.nn.Linear(1, 10),
        torch.nn.ReLU(),
        torch.nn.Linear(10, 1)
    )

    # 将保存的参数复制到 net3
    net3.load_state_dict(torch.load('net_params.pkl'))