读写文件

到目前为止，我们讨论了如何处理数据，以及如何构建、训练和测试深度学习模型。
然而，有时我们希望保存训练的模型，以备将来在各种环境中使用（比如在部署中进行预测）。
此外，当运行一个耗时较长的训练过程时，最佳的做法是定期保存中间结果，以确保在服务器电源被不小心断掉时，我们不会损失几天的计算结果。

因此，现在是时候学习如何加载和存储权重向量和整个模型了。

(加载和保存张量)

对于单个张量，我们可以直接调用load和save函数分别读写它们。
这两个函数都要求我们提供一个名称，save要求将要保存的变量作为输入。

import torch
from torch import nn
from torch.nn import functional as F# 创建一个包含从 0 到 3 的整数的一维张量
x = torch.arange(4)
# 将张量 x 保存到名为 'x-file' 的文件中
torch.save(x, 'x-file')

通常 x-file的文件格式一般是.pt 或者 .pth ，用于保存 PyTorch 模型的状态字典（state_dict）或者整个模型对象。

我们现在可以将存储在文件中的数据读回内存。

# 从名为 'x-file' 的文件中加载之前保存的张量，并将其赋值给变量 x2
x2 = torch.load('x-file')
# 打印加载得到的张量 x2
x2

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

我们可以[存储一个张量列表，然后把它们读回内存。]

# 创建一个包含 4 个零的一维张量
y = torch.zeros(4)
# 将张量 x 和 y 组成一个列表，并保存到名为 'x-files' 的文件中
torch.save([x, y], 'x-files')
# 从 'x-files' 文件中加载保存的张量，并将它们分别赋值给 x2 和 y2
x2, y2 = torch.load('x-files')
# 打印加载得到的张量元组 (x2, y2)
(x2, y2)

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

我们甚至可以(写入或读取从字符串映射到张量的字典)。当我们要读取或写入模型中的所有权重时，这很方便。

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.])}

[加载和保存模型参数]

保存单个权重向量（或其他张量）确实有用，但是如果我们想保存整个模型，并在以后加载它们，单独保存每个向量则会变得很麻烦。
毕竟，我们可能有数百个参数散布在各处。因此，深度学习框架提供了内置函数来保存和加载整个网络。需要注意的一个重要细节是，这将保存模型的参数而不是保存整个模型。
例如，如果我们有一个3层多层感知机，我们需要单独指定架构。因为模型本身可以包含任意代码，所以模型本身难以序列化。因此，为了恢复模型，我们需要用代码生成架构，然后从磁盘加载参数。
让我们从熟悉的多层感知机开始尝试一下。

import torch
import torch.nn as nn
import torch.nn.functional as Fclass MLP(nn.Module):"""定义一个多层感知机（MLP）模型，继承自 nn.Module。该模型包含一个隐藏层和一个输出层。"""def __init__(self):"""初始化 MLP 模型的各层。"""# 调用父类 nn.Module 的构造函数super().__init__()# 定义隐藏层，输入维度为 20，输出维度为 256self.hidden = nn.Linear(20, 256)# 定义输出层，输入维度为 256，输出维度为 10self.output = nn.Linear(256, 10)def forward(self, x):"""定义模型的前向传播过程。参数:x (torch.Tensor): 输入张量。返回:torch.Tensor: 模型的输出张量。"""# 对隐藏层的输出应用 ReLU 激活函数hidden_output = F.relu(self.hidden(x))# 通过输出层得到最终输出return self.output(hidden_output)# 创建 MLP 模型的实例
net = MLP()
# 生成一个形状为 (2, 20) 的随机输入张量
X = torch.randn(size=(2, 20))
# 将输入张量传入模型进行前向传播，得到输出
Y = net(X)

接下来，我们[将模型的参数存储在一个叫做“mlp.params”的文件中。]

torch.save(net.state_dict(), 'mlp.params')

为了恢复模型，我们[实例化了原始多层感知机模型的一个备份。]
这里我们不需要随机初始化模型参数，而是(直接读取文件中存储的参数。)

# 创建一个新的 MLP 模型实例，用于加载预训练的参数
clone = MLP()
# 从 'mlp.params' 文件中加载保存的模型参数状态字典，并将其加载到 clone 模型中
clone.load_state_dict(torch.load('mlp.params'))
# 将模型设置为评估模式，这会影响一些特定层（如 Dropout、BatchNorm）的行为，确保在推理时使用正确的参数
clone.eval()

load_state_dict 方法可以将一个保存好的状态字典加载到当前的模型实例中，从而实现模型参数的恢复或迁移。状态字典是一个 Python 字典对象，它包含了模型中所有可学习参数（如权重和偏置）的张量。

clone = MLP()
clone.load_state_dict(torch.load('mlp.params'))
clone.eval()

由于两个实例具有相同的模型参数，在输入相同的X时，两个实例的计算结果应该相同。让我们来验证一下。

Y_clone = clone(X)
Y_clone == Y

tensor([[True, True, True, True, True, True, True, True, True, True],[True, True, True, True, True, True, True, True, True, True]])