電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>PyTorch教程6.6.之文件輸入輸出

PyTorch教程6.6.之文件輸入輸出

2513489 2023-06-05 | pdf | 0.11 MB | 次下載 | 免費(fèi)

資料介紹

到目前為止，我們討論了如何處理數(shù)據(jù)以及如何構(gòu)建、訓(xùn)練和測(cè)試深度學(xué)習(xí)模型。然而，在某些時(shí)候，我們希望對(duì)學(xué)習(xí)的模型感到滿意，我們希望保存結(jié)果以供以后在各種情況下使用（甚至可能在部署中進(jìn)行預(yù)測(cè)）。此外，在運(yùn)行較長(zhǎng)的訓(xùn)練過程時(shí)，最佳做法是定期保存中間結(jié)果（檢查點(diǎn)），以確保如果我們被服務(wù)器的電源線絆倒，我們不會(huì)損失幾天的計(jì)算量。因此，是時(shí)候?qū)W習(xí)如何加載和存儲(chǔ)單個(gè)權(quán)重向量和整個(gè)模型了。本節(jié)解決這兩個(gè)問題。

						import torch
from torch import nn
from torch.nn import functional as F

						 

						from mxnet import np, npx
from mxnet.gluon import nn

npx.set_np()

						import flax
import jax
from flax import linen as nn
from flax.training import checkpoints
from jax import numpy as jnp
from d2l import jax as d2l

						 

						No GPU/TPU found, falling back to CPU. (Set TF_CPP_MIN_LOG_LEVEL=0 and rerun for more info.)

					

						import numpy as np
import tensorflow as tf

6.6.1. 加載和保存張量

對(duì)于單個(gè)張量，我們可以直接調(diào)用load和save 函數(shù)分別進(jìn)行讀寫。這兩個(gè)函數(shù)都需要我們提供一個(gè)名稱，并且save需要將要保存的變量作為輸入。

							x = torch.arange(4)
torch.save(x, 'x-file')

							x = np.arange(4)
npx.save('x-file', x)

							x = jnp.arange(4)
jnp.save('x-file.npy', x)

							x = tf.range(4)
np.save('x-file.npy', x)

我們現(xiàn)在可以將存儲(chǔ)文件中的數(shù)據(jù)讀回內(nèi)存。

							x2 = torch.load('x-file')
x2

							tensor([0, 1, 2, 3])

						

							x2 = npx.load('x-file')
x2

							[array([0., 1., 2., 3.])]

						

							x2 = jnp.load('x-file.npy', allow_pickle=True)
x2

							Array([0, 1, 2, 3], dtype=int32)

						

							x2 = np.load('x-file.npy', allow_pickle=True)
x2

							array([0, 1, 2, 3], dtype=int32)

						

我們可以存儲(chǔ)張量列表并將它們讀回內(nèi)存。

							y = torch.zeros(4)
torch.save([x, y],'x-files')
x2, y2 = torch.load('x-files')
(x2, y2)

							 

							(tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.]))

						

							y = np.zeros(4)
npx.save('x-files', [x, y])
x2, y2 = npx.load('x-files')
(x2, y2)

							 

							(array([0., 1., 2., 3.]), array([0., 0., 0., 0.]))

						

							y = jnp.zeros(4)
jnp.save('xy-files.npy', [x, y])
x2, y2 = jnp.load('xy-files.npy', allow_pickle=True)
(x2, y2)

							 

							(Array([0., 1., 2., 3.], dtype=float32),
 Array([0., 0., 0., 0.], dtype=float32))

							y = tf.zeros(4)
np.save('xy-files.npy', [x, y])
x2, y2 = np.load('xy-files.npy', allow_pickle=True)
(x2, y2)

							 

							(array([0., 1., 2., 3.]), array([0., 0., 0., 0.]))

						

我們甚至可以編寫和讀取從字符串映射到張量的字典。當(dāng)我們想要讀取或?qū)懭肽Ｐ椭械乃袡?quán)重時(shí)，這很方便。

							mydict = {'x': x, 'y': y}
torch.save(mydict, 'mydict')
mydict2 = torch.load('mydict')
mydict2

							 

							{'x': tensor([0, 1, 2, 3]), 'y': tensor([0., 0., 0., 0.])}

						

							mydict = {'x': x, 'y': y}
npx.save('mydict', mydict)
mydict2 = npx.load('mydict')
mydict2

							 

							{'x': array([0., 1., 2., 3.]), 'y': array([0., 0., 0., 0.])}

						

							mydict = {'x': x, 'y': y}
jnp.save('mydict.npy', mydict)
mydict2 = jnp.load('mydict.npy', allow_pickle=True)
mydict2

							 

							array({'x': Array([0, 1, 2, 3], dtype=int32), 'y': Array([0., 0., 0., 0.], dtype=float32)},
   dtype=object)

							mydict = {'x': x, 'y': y}
np.save('mydict.npy', mydict)
mydict2 = np.load('mydict.npy', allow_pickle=True)
mydict2

							 

							array({'x': <tf.Tensor: shape=(4,), dtype=int32, numpy=array([0, 1, 2, 3], dtype=int32)>, 'y': <tf.Tensor: shape=(4,), dtype=float32, numpy=array([0., 0., 0., 0.], dtype=float32)>},
   dtype=object)

6.6.2. 加載和保存模型參數(shù)

保存單個(gè)權(quán)重向量（或其他張量）很有用，但如果我們想保存（并稍后加載）整個(gè)模型，它會(huì)變得非常乏味。畢竟，我們可能散布著數(shù)百個(gè)參數(shù)組。出于這個(gè)原因，深度學(xué)習(xí)框架提供了內(nèi)置功能來加載和保存整個(gè)網(wǎng)絡(luò)。需要注意的一個(gè)重要細(xì)節(jié)是，這會(huì)保存模型參數(shù)而不是整個(gè)模型。例如，如果我們有一個(gè) 3 層的 MLP，我們需要單獨(dú)指定架構(gòu)。這樣做的原因是模型本身可以包含任意代碼，因此它們不能自然地序列化。因此，為了恢復(fù)模型，我們需要用代碼生成架構(gòu)，然后從磁盤加載參數(shù)。讓我們從我們熟悉的 MLP 開始。

							class MLP(nn.Module):
  def __init__(self):
    super().__init__()
    self.hidden = nn.LazyLinear(256)
    self.output = nn.LazyLinear(10)

  def forward(self, x):
    return self.output(F.relu(self.hidden(x)))

net = MLP()
X = torch.randn(size=(2, 20))
Y = net(X)

						