pytorch note

1.模型保存与加载

1.1

#a、保存 推荐仅仅保存模型的state_dict
torch.save(model.state_dict(), MODELPATH) # .pt  .pth
#b、加载
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.eval()
#Pytorch保存的模型后缀一般是.pt或者.pth
#必须在加载模型后调用model.eval函数来将dropout及批归一化层设置为预测模式。如果不这么做结果出错。

1.2 a、保存临时模型用于预测或再训练

torch.save({
 'epoch': epoch,
 'model_state_dict': model.state_dict(),
 'optimizer_state_dict': optimizer.state_dict(),
 'loss': loss, ... },
 PATH)

当保存一个临时模型用于预测或再训练时，需要保存比state_dict更多的参数。包括优化器的state_dict，迭代次数epoch，最后一层迭代的loss及其他任何需要的参数。
 当保存多个组件时，将多个组件以字典的形式组织，然后用torch.savee()来序列化该字典。在Pytorch中常用.tar文件后缀表示这种模型。
b、加载

model = TheModelClass(*args, **kwargs) 
optimizer = TheOptimizerClass(*args, **kwargs)
 checkpoint = torch.load(PATH)
 model.load_state_dict(checkpoint['model_state_dict'])
 optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
 epoch = checkpoint['epoch']
 loss = checkpoint['loss']
 model.eval() #预测 # - or - model.train() #再训练

e.g.

save_checkpoint({
                'epoch': epoch + 1,
                'state_dict': model.state_dict(),
                'lr': args.lr,
                'optimizer' : optimizer.state_dict(),
            }, checkpoint=args.checkpoint)

2.maxpool 并记录最大位置 F.max_pool2d

    input_tensor = torch.tensor([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13,14,15,16]).reshape(4,4).float()
    input_tensor = input_tensor.unsqueeze(0)
    pool1, pool1_mask = F.max_pool2d(input_tensor, kernel_size=2, stride=2, return_indices=True)
    print(pool1)
    print(pool1_mask)

输出如下：
tensor([[[ 6., 8.],
[14., 16.]]])
tensor([[[ 5, 7],
[13, 15]]])