CentOS上PyTorch的模型保存与加载方法

在CentOS上使用PyTorch进行模型的保存与加载是一个常见的操作。以下是详细的步骤和示例代码，帮助你完成这一任务。

安装PyTorch

首先，确保你已经安装了PyTorch。你可以使用以下命令来安装：

pip install torch torchvision

保存模型

在PyTorch中，你可以使用torch.save()函数来保存模型。以下是一个简单的示例：

import torch
import torch.nn as nn

# 定义一个简单的神经网络
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc = nn.Linear(784, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = self.fc(x)
        return x

# 创建模型实例
model = SimpleNet()

# 假设模型已经训练好
# 保存模型
torch.save(model, 'model.pth')

加载模型

加载模型时，你可以使用torch.load()函数。以下是一个示例：

# 加载模型
model = torch.load('model.pth')

# 如果模型是在不同的设备上训练的（例如GPU），需要将其移动到当前设备
model.to('cpu')  # 或者 'cuda' 如果你在GPU上工作

检查模型是否加载成功

你可以通过前向传播一些数据来检查模型是否加载成功：

# 假设我们有一些输入数据
input_data = https://www.yisu.com/ask/torch.randn(1, 1, 28, 28)  # 示例输入数据>
完整示例
以下是一个完整的示例，包括模型的定义、训练、保存和加载：
import torch
import torch.nn as nn
import torch.optim as optim

# 定义一个简单的神经网络
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc = nn.Linear(784, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = self.fc(x)
        return x

# 创建模型实例
model = SimpleNet()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 假设我们有一些训练数据
inputs = torch.randn(64, 1, 28, 28)
labels = torch.randint(0, 10, (64,))

# 训练模型
for epoch in range(5):
    optimizer.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer.step()
    print(f'Epoch {epoch+1}, Loss: {loss.item()}')

# 保存模型
torch.save(model, 'model.pth')

# 加载模型
model = torch.load('model.pth')
model.to('cpu')  # 或者 'cuda' 如果你在GPU上工作

# 检查模型是否加载成功
output = model(inputs)
print(output)

通过以上步骤，你可以在CentOS上轻松地保存和加载PyTorch模型。希望这些信息对你有所帮助！