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。

```{.python .input} from mxnet import np, npx from mxnet.gluon import nn npx.set_np()

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

  2. ```{.python .input}
  3. #@tab pytorch
  4. import torch
  5. from torch import nn
  6. from torch.nn import functional as F
  8. x = torch.arange(4)
  9. torch.save(x, 'x-file')

```{.python .input}

@tab tensorflow

import tensorflow as tf import numpy as np

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

  2. 我们现在可以将存储在文件中的数据读回内存。
  4. ```{.python .input}
  5. x2 = npx.load('x-file')
  6. x2

```{.python .input}

@tab pytorch

x2 = torch.load(‘x-file’) x2

  2. ```{.python .input}
  3. #@tab tensorflow
  4. x2 = np.load('x-file.npy', allow_pickle=True)
  5. x2

我们可以[存储一个张量列表，然后把它们读回内存。]

```{.python .input} y = np.zeros(4) npx.save(‘x-files’, [x, y]) x2, y2 = npx.load(‘x-files’) (x2, y2)

  2. ```{.python .input}
  3. #@tab pytorch
  4. y = torch.zeros(4)
  5. torch.save([x, y],'x-files')
  6. x2, y2 = torch.load('x-files')
  7. (x2, y2)

```{.python .input}

@tab tensorflow

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

  2. 我们甚至可以(**写入或读取从字符串映射到张量的字典**)。
  3. 当我们要读取或写入模型中的所有权重时，这很方便。
  5. ```{.python .input}
  6. mydict = {'x': x, 'y': y}
  7. npx.save('mydict', mydict)
  8. mydict2 = npx.load('mydict')
  9. mydict2

```{.python .input}

@tab pytorch

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

  2. ```{.python .input}
  3. #@tab tensorflow
  4. mydict = {'x': x, 'y': y}
  5. np.save('mydict.npy', mydict)
  6. mydict2 = np.load('mydict.npy', allow_pickle=True)
  7. mydict2

[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。

```{.python .input} class MLP(nn.Block): def init(self, kwargs): super(MLP, self).init(kwargs) self.hidden = nn.Dense(256, activation=’relu’) self.output = nn.Dense(10)

  1. def forward(self, x):
  2.     return self.output(self.hidden(x))

net = MLP() net.initialize() X = np.random.uniform(size=(2, 20)) Y = net(X)

  2. ```{.python .input}
  3. #@tab pytorch
  4. class MLP(nn.Module):
  5.     def __init__(self):
  6.         super().__init__()
  7.         self.hidden = nn.Linear(20, 256)
  8.         self.output = nn.Linear(256, 10)
  10.     def forward(self, x):
  11.         return self.output(F.relu(self.hidden(x)))
  13. net = MLP()
  14. X = torch.randn(size=(2, 20))
  15. Y = net(X)

```{.python .input}

@tab tensorflow

class MLP(tf.keras.Model): def init(self): super().init() self.flatten = tf.keras.layers.Flatten() self.hidden = tf.keras.layers.Dense(units=256, activation=tf.nn.relu) self.out = tf.keras.layers.Dense(units=10)

  1. def call(self, inputs):
  2.     x = self.flatten(inputs)
  3.     x = self.hidden(x)
  4.     return self.out(x)

net = MLP() X = tf.random.uniform((2, 20)) Y = net(X)

  2. 接下来，我们[**将模型的参数存储在一个叫做“mlp.params”的文件中。**]
  4. ```{.python .input}
  5. net.save_parameters('mlp.params')

```{.python .input}

@tab pytorch

torch.save(net.state_dict(), ‘mlp.params’)

  2. ```{.python .input}
  3. #@tab tensorflow
  4. net.save_weights('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。)

```{.python .input} clone = MLP() clone.load_parameters(‘mlp.params’)

  2. ```{.python .input}
  3. #@tab pytorch
  4. clone = MLP()
  5. clone.load_state_dict(torch.load('mlp.params'))
  6. clone.eval()

```{.python .input}

@tab tensorflow

clone = MLP() clone.load_weights(‘mlp.params’)

  2. 由于两个实例具有相同的模型参数，在输入相同的`X`时，
  3. 两个实例的计算结果应该相同。
  4. 让我们来验证一下。
  6. ```{.python .input}
  7. Y_clone = clone(X)
  8. Y_clone == Y

```{.python .input}

@tab pytorch

Y_clone = clone(X) Y_clone == Y

  2. ```{.python .input}
  3. #@tab tensorflow
  4. Y_clone = clone(X)
  5. Y_clone == Y

小结

  • save和load函数可用于张量对象的文件读写。
  • 我们可以通过参数字典保存和加载网络的全部参数。
  • 保存架构必须在代码中完成，而不是在参数中完成。

练习

  1. 即使不需要将经过训练的模型部署到不同的设备上，存储模型参数还有什么实际的好处？
  2. 假设我们只想复用网络的一部分，以将其合并到不同的网络架构中。比如说，如果你想在一个新的网络中使用之前网络的前两层，你该怎么做？
  3. 如何同时保存网络架构和参数？你会对架构加上什么限制？

:begin_tab:mxnet Discussions :end_tab:

:begin_tab:pytorch Discussions :end_tab:

:begin_tab:tensorflow Discussions :end_tab: