读取和存储数据

我们可以使用pt文件存储Tensor数据：

import torch
from torch import nnx = torch.ones(3)
torch.save(x, 'x.pt')

这样我们就将数据存储在名为x.pt的文件中了
我们可以从文件中将该数据读入内存：

x2 = torch.load('x.pt')
print(x2)

还可以存储Tensor列表到文件中，并读取：

y = torch.zeros(4)
torch.save([x, y], "xy.pt")
xy_list = torch.load("xy.pt")
print(xy_list)

不仅如此，还可以存储一个键值为Tensor变量的字典：

torch.save({'x':x, 'y':y}, "xy_dict")
xy_dict = torch.load("xy_dict")
print(xy_dict)

对模型参数进行读写：

对于Module类的对象，我们可以使用model.parameters()函数来访问模型的参数。而state_dict函数将会返回一个模型的参数名称到参数Tensor对象的一个字典对象。

class my_module(mm.Module):def __init__(self):super(my_module, self)self.hidden = nn.Linear(3, 2)self.action = nn.ReLU()self.output = nn.Linear(2, 1)def forward(self, x):middle = self.action(self.hidden(x))return self.output(middle)	net = my_module()
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]))])

但是，只有具有可变参数（可学习参数）的网络层才会在state_dict中，

同样的，优化器（optim）也有一个state_dict，这个函数返回一个字典，该字典包含优化器的状态以及其超参数信息：

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': {}}

那么就可以通过保存模型的state_dict来保存模型：

torch.save(net.state_dict(), PATH)model = my_module(*args, **kwargs)
model.load_state_dict(torch.load(PATH))

还可以直接保存整个模型：

torch.save(model, PATH)
model = torch.load(PATH)