有时候我们训练了一个模型, 希望保存它下次直接使用,不需要下次再花时间去训练 ，本节我们来讲解一下PyTorch快速搭建神经网络及其保存提取方法详解

一、PyTorch快速搭建神经网络方法

先看实验代码：

import torch 
import torch.nn.functional as F 
 
# 方法1，通过定义一个Net类来建立神经网络 
class Net(torch.nn.Module): 
 def __init__(self, n_feature, n_hidden, n_output): 
 super(Net, self).__init__() 
 self.hidden = torch.nn.Linear(n_feature, n_hidden) 
 self.predict = torch.nn.Linear(n_hidden, n_output) 
 
 def forward(self, x): 
 x = F.relu(self.hidden(x)) 
 x = self.predict(x) 
 return x 
 
net1 = Net(2, 10, 2) 
print('方法1：
', net1) 
 
# 方法2 通过torch.nn.Sequential快速建立神经网络结构 
net2 = torch.nn.Sequential( 
 torch.nn.Linear(2, 10), 
 torch.nn.ReLU(), 
 torch.nn.Linear(10, 2), 
 ) 
print('方法2：
', net2) 
# 经验证，两种方法构建的神经网络功能相同，结构细节稍有不同 
 
''''' 
方法1： 
 Net ( 
 (hidden): Linear (2 -> 10) 
 (predict): Linear (10 -> 2) 
) 
方法2： 
 Sequential ( 
 (0): Linear (2 -> 10) 
 (1): ReLU () 
 (2): Linear (10 -> 2) 
) 
'''

先前学习了通过定义一个Net类来构建神经网络的方法，classNet中首先通过super函数继承torch.nn.Module模块的构造方法，再通过添加属性的方式搭建神经网络各层的结构信息，在forward方法中完善神经网络各层之间的连接信息，然后再通过定义Net类对象的方式完成对神经网络结构的构建。

构建神经网络的另一个方法，也可以说是快速构建方法，就是通过torch.nn.Sequential，直接完成对神经网络的建立。

两种方法构建得到的神经网络结构完全相同，都可以通过print函数来打印输出网络信息，不过打印结果会有些许不同。

二、PyTorch的神经网络保存和提取

在学习和研究深度学习的时候，当我们通过一定时间的训练，得到了一个比较好的模型的时候，我们当然希望将这个模型及模型参数保存下来，以备后用，所以神经网络的保存和模型参数提取重载是很有必要的。

首先，我们需要在需要保存网路结构及其模型参数的神经网络的定义、训练部分之后通过torch.save()实现对网络结构和模型参数的保存。有两种保存方式：一是保存年整个神经网络的的结构信息和模型参数信息，save的对象是网络net；二是只保存神经网络的训练模型参数，save的对象是net.state_dict()，保存结果都以.pkl文件形式存储。

对应上面两种保存方式，重载方式也有两种。对应第一种完整网络结构信息，重载的时候通过torch.load(‘.pkl')直接初始化新的神经网络对象即可。对应第二种只保存模型参数信息，需要首先搭建相同的神经网络结构，通过net.load_state_dict(torch.load('.pkl'))完成模型参数的重载。在网络比较大的时候，第一种方法会花费较多的时间。

代码实现：

import torch 
from torch.autograd import Variable 
import matplotlib.pyplot as plt 
 
torch.manual_seed(1) # 设定随机数种子 
 
# 创建数据 
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) 
y = x.pow(2) + 0.2*torch.rand(x.size()) 
x, y = Variable(x, requires_grad=False), Variable(y, requires_grad=False) 
 
# 将待保存的神经网络定义在一个函数中 
def save(): 
 # 神经网络结构 
 net1 = torch.nn.Sequential( 
 torch.nn.Linear(1, 10), 
 torch.nn.ReLU(), 
 torch.nn.Linear(10, 1), 
 ) 
 optimizer = torch.optim.SGD(net1.parameters(), lr=0.5) 
 loss_function = torch.nn.MSELoss() 
 
 # 训练部分 
 for i in range(300): 
 prediction = net1(x) 
 loss = loss_function(prediction, y) 
 optimizer.zero_grad() 
 loss.backward() 
 optimizer.step() 
 
 # 绘图部分 
 plt.figure(1, figsize=(10, 3)) 
 plt.subplot(131) 
 plt.title('net1') 
 plt.scatter(x.data.numpy(), y.data.numpy()) 
 plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) 
 
 # 保存神经网络 
 torch.save(net1, '7-net.pkl') # 保存整个神经网络的结构和模型参数 
 torch.save(net1.state_dict(), '7-net_params.pkl') # 只保存神经网络的模型参数 
 
# 载入整个神经网络的结构及其模型参数 
def reload_net(): 
 net2 = torch.load('7-net.pkl') 
 prediction = net2(x) 
 
 plt.subplot(132) 
 plt.title('net2') 
 plt.scatter(x.data.numpy(), y.data.numpy()) 
 plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) 
 
# 只载入神经网络的模型参数，神经网络的结构需要与保存的神经网络相同的结构 
def reload_params(): 
 # 首先搭建相同的神经网络结构 
 net3 = torch.nn.Sequential( 
 torch.nn.Linear(1, 10), 
 torch.nn.ReLU(), 
 torch.nn.Linear(10, 1), 
 ) 
 
 # 载入神经网络的模型参数 
 net3.load_state_dict(torch.load('7-net_params.pkl')) 
 prediction = net3(x) 
 
 plt.subplot(133) 
 plt.title('net3') 
 plt.scatter(x.data.numpy(), y.data.numpy()) 
 plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) 
 
# 运行测试 
save() 
reload_net() 
reload_params()

实验结果：