南京公司网站制作教育培训,深圳做网站一个月多少钱,wordpress 开启评论,兴义市住房和城乡建设网站月销售文章目录 1. 模型的创建1.1. 创建方法1.1.1. 通过使用模型组件1.1.2. 通过继承nn.Module类 1.2. 模型组件1.2.1. 网络层1.2.2. 函数包1.2.3. 容器 1.3. 将模型转移到GPU 2. 模型参数初始化3. 模型的保存与加载3.1. 只保存参数3.2. 保存模型和参数 1. 模型的创建
1.1. 创建方法… 文章目录 1. 模型的创建1.1. 创建方法1.1.1. 通过使用模型组件1.1.2. 通过继承nn.Module类 1.2. 模型组件1.2.1. 网络层1.2.2. 函数包1.2.3. 容器 1.3. 将模型转移到GPU 2. 模型参数初始化3. 模型的保存与加载3.1. 只保存参数3.2. 保存模型和参数 1. 模型的创建
1.1. 创建方法
1.1.1. 通过使用模型组件
可以直接使用模型组件快速创建模型。
import torch.nn as nnmodel nn.Linear(10, 10),
print(model)输出结果
Linear(in_features10, out_features10, biasTrue)1.1.2. 通过继承nn.Module类
在__init__方法中使用模型组件定义模型各层。在forward方法中实现前向传播。
import torch.nn as nnclass Model(nn.Module):def __init__(self):super().__init__()self.layer1 nn.Linear(10, 10)self.layer2 nn.Linear(10, 10)self.layer3 nn.Sequential(nn.Linear(10, 10),nn.ReLU(),nn.Linear(10, 10))def forward(self, x):x self.layer1(x)x self.layer2(x)x self.layer3(x)return xmodel Model()
print(model)输出结果
Model((layer1): Linear(in_features10, out_features10, biasTrue)(layer2): Linear(in_features10, out_features10, biasTrue)(layer3): Sequential((0): Linear(in_features10, out_features10, biasTrue)(1): ReLU()(2): Linear(in_features10, out_features10, biasTrue))
)1.2. 模型组件
1.2.1. 网络层
1.2.2. 函数包
1.2.3. 容器
1.3. 将模型转移到GPU
方法与将数据转移到GPU类似都有两种方法
model.to(device)mode.cuda()
import torch
import torch.nn as nn# 创建模型实例
model nn.Sequential(nn.Linear(10, 10),nn.ReLU(),nn.Linear(10, 10)
)# 将模型移动到GPU
device torch.device(cuda if torch.cuda.is_available() else cpu)
model model.to(device)
# 也可以
model model.cuda()2. 模型参数初始化
3. 模型的保存与加载
模型保存和加载使用的python内置的pickle模块。
3.1. 只保存参数
import torch
import torch.nn as nn# 创建模型实例
model1 nn.Sequential(nn.Linear(10, 10),nn.ReLU(),nn.Linear(10, 10)
)# 保存和加载参数
torch.save(model1.state_dict(), ../model/model_params.pkl)
model1.load_state_dict(torch.load(../model/model_params.pkl))3.2. 保存模型和参数
import torch
import torch.nn as nn# 创建模型实例
model1 nn.Sequential(nn.Linear(10, 10),nn.ReLU(),nn.Linear(10, 10)
)# 保存和加载模型和参数
torch.save(model1, ../model/model.pt)
model2 torch.load(../model/model.pt)
print(model2)
