Pytorch模型的搭建保存加载

使用pytorch进行网络模型的搭建、保存与加载，是非常快速、方便的。

搭建 ConvNet

所有的网络都要继承 torch.nn.Module ，然后在构造函数中使用 torch.nn 中的提供的接口定义 layer 的属性，最后，在 forward 函数中将各个 layer 连接起来。

下面，以 LeNet 为例：

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1   = nn.Linear(16*5*5, 120)
        self.fc2   = nn.Linear(120, 84)
        self.fc3   = nn.Linear(84, 10)
 
    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.max_pool2d(x, 2)
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2)
        x = x.view(x.size(0), -1)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        out = self.fc3(x)
        return out

这样一来，我们就搭建好了网络模型，是不是很简洁明了呢？此外，还可以使用 torch.nn.Sequential ，更方便进行模块化的定义，如下：

class LeNetSeq(nn.Module):
    def __init__(self):
        super(LeNetSeq, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(3, 6, 5),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Conv2d(6, 16, 5),
            nn.ReLU(),
            nn.MaxPool2d(2),
        )
 
        self.fc = nn.Sequential(
            nn.Linear(16*5*5, 120),
            nn.ReLU(),
            nn.Linear(120, 84),
            nn.ReLU(),
            nn.Linear(84, 10)
        )
        
    def forward(self, x):
        x = self.conv(x)
        x = out.view(x.size(0), -1)
        out = self.fc(x)
        return out

Module 有很多属性，可以查看权重、参数等等；如下：

net = lenet.LeNet()
print(net)
 
for param in net.parameters():
     print(type(param.data), param.size())
     print(list(param.data)) 
 
print(net.state_dict().keys())
#参数的keys
 
for key in net.state_dict():#模型参数
    print key, 'corresponds to', list(net.state_dict()[key])

那么，如何进行参数初始化呢？使用 torch.nn.init ，如下：

def initNetParams(net):
    '''Init net parameters.'''
    for m in net.modules():
        if isinstance(m, nn.Conv2d):
            init.xavier_uniform(m.weight)
            if m.bias:
                init.constant(m.bias, 0)
        elif isinstance(m, nn.BatchNorm2d):
            init.constant(m.weight, 1)
            init.constant(m.bias, 0)
        elif isinstance(m, nn.Linear):
            init.normal(m.weight, std=1e-3)
            if m.bias:
                init.constant(m.bias, 0)
 
initNetParams(net)

保存 ConvNet

使用 torch.save() 对网络结构和模型参数的保存，有两种保存方式：

保存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；
保存神经网络的训练模型参数，save 的对象是 net.state_dict()。

torch.save(net1, 'net.pkl')  # 保存整个神经网络的结构和模型参数    
torch.save(net1.state_dict(), 'net_params.pkl') # 只保存神经网络的模型参数    

加载 ConvNet

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('.pth') 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，需要首先导入对应的网络，通过 net.load_state_dict(torch.load('.pth'))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，所占的存储空间也比较大。

# 保存和加载整个模型  
torch.save(model_object, 'model.pth')  
model = torch.load('model.pth')  
 
# 仅保存和加载模型参数  
torch.save(model_object.state_dict(), 'params.pth')  
model_object.load_state_dict(torch.load('params.pth'))