深度学习Pytorch的模型调用——细节使用

Introduction

学习使用了深度学习Pytorch差不多一年半多了，今天在这里呢，来总结一些不怎么使用的细节方面的代码知识点，为以后方便查找和使用。

1、Pytorch模型调用相关函数
加载模型使用：

model=cnn() #cnn()这里表示为你定义的神经网络模型
model.eval() #这里表示为测试使用
model.load_state_dict(torch.load(param_file))  # load模型

若当你的模型或者你调用他人的模型为在gpu上训练的，但你想cpu上载入时：

model.load_state_dict(t.load(params_file, map_location='cpu'))

2.Pytorch模型测试与单一数据使用
当你需要单独地一个数据来测试时，你可以使用下面的代码：

img0 = Image.open(img0_tuple[0])
img0 = img0.convert("L")
img0 = transform(img0) #这里需要跟你训练数据中的transform一样
img0= Variable(img0.unsqueeze(0)) #添加维度(eg:3->4)
output1 = model(Variable(img0) #Vaariable可求导变量

在这里，我需要强调以下为什么要添加维度，首先我们要知道由于在训练时，我们喂给神经网络的数据格式时这样的:（batch_size,in_channel,height,width)，因此呢，我们单一加载一个数据时，也需要满足四个维度。

3、训练结果数据可视化

#首先定义两组数组
loss_history= [] #用来保存训练过程中的loss值
Accuracy_history= [] #用来保存训练时的准确率值

epoch_number = 0

loss_history.append(loss_contrastive.item())
Accuracy_history.append((accuray.item())
epoch_number += 1
#这里保存的数据值为每一次epoch时保存一次.
#注意：当结束完训练时，跳出训练循环时
show_plot(epoch_number,loss_history,Accuracy_history)
#show_plot为自己定义的函数

其中show_plot函数定义如下：

def show_plot(iteration, loss，Accuracy_history):
    plt.plot(iteration, loss,color='red',abel="loss_history")
    plt.plot(iteration,Accuracy_history,abel="Accuracy_history")
    plt.ylabel('loss')
    plt.xlabel('Number of training')
    plt.show()

当然了，你要是想用上位机界面显示效果的话，可以采用PyQT,这里你可以参考我的另一篇博客

4、一些数据转换
numpy中的ndarray转化成pytorch中的tensor : torch.from_numpy()

pytorch中的tensor转化成numpy中的ndarray : numpy()
例如：

将Variable张量转化为numpy:
V_data = V_data.data.numpy()

import numpy as np
import torch

np_arr = np.array([1,2,3,4])
tensor_=torch.from_numpy(np_arr)
ten_numpy=tensor_.numpy()

这里需要注意的是，你定义的numpy数组或者tensor使用了Variable时，想要转换为tensor或者numpy时，例如：

#mydata为Variable（tensor）类型时，转换为numpy
mydata=mydata.data.numpy()

续

有待补充。。。。