定義損失函數并以此訓練和評估模型

存儲模型可以只存儲state_dict或模型參數，每當需要部署經過訓練的模型時，創建模型的對象并從文件中加載參數，這是 Pytorch 創建者推薦的方法。

目錄

模型的存儲、加載

模型的部署

---

模型的存儲、加載

承接上文，完成模型的訓練后，需要將訓練的參數存儲在文件中，以供部署和使用。

#定義路徑
path2weights="./models/weights.pt"
#將state_dict存儲到文件
torch.save(model.state_dict(), path2weights)

為了從文件中加載模型參數，定義一個 Net 的對象類并加載state_dict

#定義隨機初始權重模型
_model = Net()
#加載文件中的state_dict
weights=torch.load(path2weights)
#賦予權重
_model.load_state_dict(weights)

加載成功如下?

模型的部署

將模型加載到內存中后，可以將新數據傳遞給模型

import matplotlib.pyplot as plt
#抽取一個n=10張量
n=10
x= x_val[n]
y=y_val[n]
print(x.shape)
plt.imshow(x.numpy()[0],cmap="gray")

對張量進行預處理

#將維度擴展為 1*C*H*W
x= x.unsqueeze(0)
#轉換為torch.float32格式
x=x.type(torch.float)

得到模型預測?

#獲取模型輸出
output=_model(x)
#獲取預測結果
pred = output.argmax(dim=1, keepdim=True)
print (pred.item(),y.item())

?