【深度学习】读取和存储训练好的模型参数（pyTorch）_训练结束后得到了一个pytorchmodel.bin文件,怎么去读取运用他

1 读写Tensor

可以直接使用save函数和load函数分别存储和读取Tensor。
save使用Python的pickle实用程序将对象进行序列化，然后将序列化的对象保存到disk，使用save可以保存各种对象,包括模型、张量和字典等;
而load使用pickle unpickle工具将pickle的对象文件反序列化为内存。
import torch 
from torch import nn
x=torch.ones(3)
torch.save(x, 'x.pt')
x2 = torch.load('x.pt')
tensor([1., 1., 1.])
# 存储一个Tensor列表并读回内存
y = torch.zeros(4)
torch.save([x ,y], 'xy.pt')
xy_list = torch.load('xy.pt')
xy_list
[tensor([1., 1., 1.]), tensor([0., 0., 0., 0.])]
# 存储并读取一个从字符串映射到Tensor的字典
torch.save({'x':x, 'y':y}, 'xy_dict.pt')
xy = torch.load('xy_dict.pt')
{'x': tensor([1., 1., 1.]), 'y': tensor([0., 0., 0., 0.])}
2 读写模型
 
# state_dict是一个从参数名称隐射到参数Tesnor的字典对象。
class MLP(nn.Module):
    def __init__(self, **kwargs): # **kwargs表示如果我们不知道要往函数中传入多少个关键词参数，或者想传入字典的值作为关键词参数时，那就要使用**kwargs。
        super(MLP, self).__init__(**kwargs)
        self.hidden = nn.Linear(3, 2)
        self.act = nn.ReLU()
        self.output = nn.Linear(2, 1)
    def forward(self, x):
        a = self.act(self.hidden(x))
        return self.output(a)
net = MLP()
net.state_dict()
OrderedDict([('hidden.weight',
              tensor([[-0.4192,  0.1470,  0.2054],
                      [ 0.1476, -0.2715,  0.1462]])),
             ('hidden.bias', tensor([-0.2444, -0.2241])),
             ('output.weight', tensor([[ 0.3270, -0.3903]])),
             ('output.bias', tensor([-0.1880]))])
# 只有具有可学习参数的层(卷积层、线性层等)才有state_dict中的条目；
# 优化器(optim)也有一个state_dict，其中包含关于优化器状态以及所使用的超参数的信息。
optimizer =torch.optim.SGD(net.parameters(), lr = 0.001, momentum = 0.9)
optimizer.state_dict()
{'state': {},
 'param_groups': [{'lr': 0.001,
   'momentum': 0.9,
   'dampening': 0,
   'weight_decay': 0,
   'nesterov': False,
   'params': [2581793307368, 2581793307448, 2581793307608, 2581793307688]}]}
PyTorch中保存和加载训练模型有两种常见的方法: 
仅保存和加载模型参数(state_dict)；
保存和加载整个模型 
# 保存和加载模型参数(state_dict)
X = torch.randn(2, 3)
Y = net(X)
print(Y)
path = './net.pt'
torch.save(net.state_dict(), path)
net2 = MLP()
net2.load_state_dict(torch.load(path))
Y2 = net2(X)
tensor([[-0.2372],
        [-0.1132]], grad_fn=<AddmmBackward>)
                    读取、存储和部署模型1 读写Tensor可以直接使用save函数和load函数分别存储和读取Tensor。save使用Python的pickle实用程序将对象进行序列化，然后将序列化的对象保存到disk，使用save可以保存各种对象,包括模型、张量和字典等;而load使用pickle unpickle工具将pickle的对象文件反序列化为内存。import torch from torch import nnx=torch.ones(3)torch.save(x, 'x.pt')x2 
				在我们训练深度学习网络的时候，如何保存模型，并提供给客户端使用，是常见的问题。保存Tensorflow的模型有很多方法-具体而言是您使用的API。本指南使用tf.keras。
方式1：在训练期间保存模型（以checkpoints形式保存）
您可以使用训练好的模型而无需从头开始重新训练，或在您打断的地方开始训练，以防止训练过程没有保存。tf.keras.callbacks.ModelCheckpoi...
				一、模型文件的保存
在训练一个TensorFlow模型之后，我们可以将训练好的模型保存成文件，这样可以方便下一次对新的数据进行预测的时候直接加载训练好的模型即可获得结果，下面通过TensorFlow提供的tf.train.Saver函数，将一个模型保存成文件，一般习惯性的将TensorFlow的模型文件命名为*.ckpt文件。
import tensorflow as tf
if __nam
				文章目录1.前言2.torch.save(保存模型)3.torch.load整个网络4.torch.load网络参数（只提取参数）5.调用三个函数
训练好了一个模型, 我们当然想要保存它, 留到下次要用的时候直接提取直接用，下面我将来讲如何存储训练好的模型参数
2.torch.save(保存模型)
首先，先搭建一个神经网络
import torch
from torch import nn
import matplotlib.pyplot as plt
torch.manual_seed(11)    # 使每次得到的随机数是固定的。但是如果不加上torch.manual_seed这
				如何保存和读取pytorch模型1.
相信大家也会遇到这样的问题吧，在使用pytorch训练自己模型的时候，如果不将我们训练的模型保存起来，我们每一次都是从头开始训练我们的模型，这样真的很麻烦。其实在我的上一篇博客中我已经发现这个问题了。
				在深度学习中，我们使用参数来描述模型的状态。通常来说，我们将参数保存在模型的内部，以便在模型训练期间不断更新它们。在训练时，我们使用输入数据和标签来计算模型的预测值，并使用损失函数来计算预测值与真实值之间的差距。然后，我们使用优化器来更新模型的参数，使得在下一次迭代时，模型的预测值更接近真实值。
训练完成后，我们通常会将模型的参数保存到磁盘上，以便以后使用。在保存模型时，我们通常会将模型的结构和参...
				Pytorch应用训练好的模型1.保存训练好的模型：torch.save方法2.加载之前保存的模型：torch.load方法3.对于分类问题的补充4.CPU训练完整代码5.GPU训练
1.保存训练好的模型：torch.save方法
保存训练好的模型有两种方式，第一种保存模型结构且保存模型参数，第一种方式存在一种陷阱，也就是每次加载模型都得把类定义，或者访问类所在的包。保存方式为：
torch.save(模型名, 以pth为后缀的文件)
第二种保存方式只保存模型参数，不保存模型结构，这样可以面对较大的网络
				1，基本内容
目的是将模型数据以文件的形式保存到本地。
使用神经网络模型进行大数据量和复杂模型训练时，训练时间可能会持续增加，此时为避免训练过程出现不可逆的影响，并验证训练效果，可以考虑分段进行，将训练数据模型保存，然后在继续训练时重新读取； 此外，模型训练完毕，获取一个性能良好的模型后，可以保存以备重复利用。
2，参数保存和读取代码
import tensorflow as tf
#随机初始化两...
				每个纪元后保存模型。
filepath可以包含命名格式化选项，它将填充日志中的纪元和键的值（在on_epoch_end中传递）。 例如：如果filepath是权重。{epoch：02d}  -  {val_loss：.2f} .hdf5，那么模型检查点将与文件名中的纪元号和验证丢失一起保存。
def __init__(self,
             filepath: Any,
首先，我们从一个直观的例子，讲解如何实现Tensorflow模型参数的保存以及保存后模型的读取。
然后，我们在之前多层感知机的基础上进行模型的参数保存，以及参数的读取。该项技术可以用于Tensorflow分段训练模型以及对经典模型进行fine tuning（微调）
Tensorflow 模型的保存与读取（直观）
模型参数存储
import tensorflow as tf
# 随机生成v1...
				训练好的模型参数可以使用.npy形式储存与读取，具体细节参考VGG-16的程序
命名好卷积层，每一个卷积层list中含有两个成分（权重和偏置）
读取：data_dict = loadWeightsData('./tensorflow_vgg/vgg16.npy')
def loadWeightsData(vgg16_npy_path=None):
    if vgg16_npy_path is ...
				d2lzh_pytorch包
【动手学深度学习（pyTorch）】3.2.1节中原文：
“我们将上面的plt作图函数以及use_svg_display函数和set_figsize函数定义在d2lzh_pytorch包里。以后在作图时，我们将直接调用d2lzh_pytorch.plt。由于plt在d2lzh_pytorch包中是一个全局变量，我们在作图前只需要调用d2lzh_pytorch.set_figsize()函数可打印矢量图并设置图的尺寸。”
CSDN中下载d2lzh_pytorch包好多都需要积分，
				### 回答1：
OpenCV（Open Source Computer Vision）是一个开源计算机视觉库，用于处理图像和视频数据。它提供了许多用于图像处理、计算机视觉和深度学习的函数和工具。PyTorch是一个流行的深度学习框架，它提供了一些用于构建、训练和部署神经网络的工具。PyTorch可以与OpenCV结合使用，以便将图像和视频数据导入PyTorch模型进行训练和推理，并将结果传递回OpenCV进行后续处理和显示。此外，PyTorch还提供了一些用于图像处理的工具，如TorchVision，可以与OpenCV一起使用来处理图像和视频数据。  
### 回答2：
OpenCV是一个开源的计算机视觉库，提供了许多图像处理和计算机视觉相关的函数和工具。它主要用于图像和视频的读取、处理、存储以及计算机视觉任务的实现。
PyTorch是一个开源的深度学习框架，它提供了丰富的工具和函数，用于搭建、训练和部署神经网络模型。PyTorch支持动态图机制，使得它在实验和原型开发阶段非常灵活和方便。
OpenCV和PyTorch可以说是在不同领域的计算机视觉中具有互补关系的工具。OpenCV主要关注图像和视频的处理和计算机视觉任务的实现，提供了很多传统的计算机视觉算法和技术。而PyTorch则主要用于深度学习模型的构建与训练，它具有快速的实验和原型开发能力。
在实际应用中，OpenCV和PyTorch经常会被结合使用。例如，可以使用OpenCV读取图像或视频数据，并进行预处理操作，如缩放、裁剪、滤波等；然后使用PyTorch构建一个深度学习模型，对预处理后的图像进行分类、目标检测、语义分割等任务。在模型输出后，可以再利用OpenCV进行后处理，如绘制边界框、标签、将结果保存为图像或视频等。
总之，OpenCV和PyTorch在计算机视觉中具有不同的功能和应用范围，但它们可以相互协作，共同完成图像处理和计算机视觉任务的实现。