# 4.5 读取和存储 到目前为止，我们介绍了如何处理数据以及如何构建、训练和测试深度学习模型。然而在实际中，我们有时需要把训练好的模型部署到很多不同的设备。在这种情况下，我们可以把内存中训练好的模型参数存储在硬盘上供后续读取使用。 ## 4.5.1 读写`Tensor` 我们可以直接使用`save`函数和`load`函数分别存储和读取`Tensor`。`save`使用Python的pickle实用程序将对象进行序列化，然后将序列化的对象保存到disk，使用`save`可以保存各种对象,包括模型、张量和字典等。而`laod`使用pickle unpickle工具将pickle的对象文件反序列化为内存。 下面的例子创建了`Tensor`变量`x`，并将其存在文件名同为`x.pt`的文件里。 ``` python import torch from torch import nn x = torch.ones(3) torch.save(x, 'x.pt') ``` 然后我们将数据从存储的文件读回内存。 ``` python x2 = torch.load('x.pt') x2 ``` 输出： ``` tensor([1., 1., 1.]) ``` 我们还可以存储一个`Tensor`列表并读回内存。 ``` python y = torch.zeros(4) torch.save([x, y], 'xy.pt') xy_list = torch.load('xy.pt') xy_list ``` 输出： ``` [tensor([1., 1., 1.]), tensor([0., 0., 0., 0.])] ``` 存储并读取一个从字符串映射到`Tensor`的字典。 ``` python torch.save({'x': x, 'y': y}, 'xy_dict.pt') xy = torch.load('xy_dict.pt') xy ``` 输出： ``` {'x': tensor([1., 1., 1.]), 'y': tensor([0., 0., 0., 0.])} ``` ## 4.5.2 读写模型 ### 4.5.2.1 `state_dict` 在PyTorch中，`Module`的可学习参数(即权重和偏差)，模块模型包含在参数中(通过`model.parameters()`访问)。`state_dict`是一个从参数名称隐射到参数`Tesnor`的字典对象。 ``` python class MLP(nn.Module): def __init__(self): super(MLP, self).__init__() self.hidden = nn.Linear(3, 2) self.act = nn.ReLU() self.output = nn.Linear(2, 1) def forward(self, x): a = self.act(self.hidden(x)) return self.output(a) net = MLP() net.state_dict() ``` 输出： ``` OrderedDict([('hidden.weight', tensor([[ 0.2448, 0.1856, -0.5678], [ 0.2030, -0.2073, -0.0104]])), ('hidden.bias', tensor([-0.3117, -0.4232])), ('output.weight', tensor([[-0.4556, 0.4084]])), ('output.bias', tensor([-0.3573]))]) ``` 注意，只有具有可学习参数的层(卷积层、线性层等)才有`state_dict`中的条目。优化器(`optim`)也有一个`state_dict`，其中包含关于优化器状态以及所使用的超参数的信息。 ``` python optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9) optimizer.state_dict() ``` 输出： ``` {'param_groups': [{'dampening': 0, 'lr': 0.001, 'momentum': 0.9, 'nesterov': False, 'params': [4736167728, 4736166648, 4736167368, 4736165352], 'weight_decay': 0}], 'state': {}} ``` ### 4.5.2.2 保存和加载模型 PyTorch中保存和加载训练模型有两种常见的方法: 1. 仅保存和加载模型参数(`state_dict`)； 2. 保存和加载整个模型。 #### 1. 保存和加载`state_dict`(推荐方式) 保存： ``` python torch.save(model.state_dict(), PATH) # 推荐的文件后缀名是pt或pth ``` 加载： ``` python model = TheModelClass(*args, **kwargs) model.load_state_dict(torch.load(PATH)) ``` #### 2. 保存和加载整个模型 保存： ``` python torch.save(model, PATH) ``` 加载： ``` python model = torch.load(PATH) ``` 我们采用推荐的方法一来实验一下: ``` python X = torch.randn(2, 3) Y = net(X) PATH = "./net.pt" torch.save(net.state_dict(), PATH) net2 = MLP() net2.load_state_dict(torch.load(PATH)) Y2 = net2(X) Y2 == Y ``` 输出： ``` tensor([[1], [1]], dtype=torch.uint8) ``` 因为这`net`和`net2`都有同样的模型参数，那么对同一个输入`X`的计算结果将会是一样的。上面的输出也验证了这一点。 此外，还有一些其他使用场景，例如GPU与CPU之间的模型保存与读取、使用多块GPU的模型的存储等等，使用的时候可以参考[官方文档](https://pytorch.org/tutorials/beginner/saving_loading_models.html)。 ## 小结 * 通过`save`函数和`load`函数可以很方便地读写`Tensor`。 * 通过`save`函数和`load_state_dict`函数可以很方便地读写模型的参数。 ----------- > 注：本节与原书此节有一些不同，[原书传送门](https://zh.d2l.ai/chapter_deep-learning-computation/read-write.html)