PyTorch保存、加載模型，PyTorch中已封裝的網絡模型

state_dict()函數可以返回所有的狀態數據。load_state_dict()函數可以加載這些狀態數據。

推薦使用：

#保存
t.save(net.state_dict(),"net.pth")
#加載
net2=Net()
net2.load_state_dict(t.load("net.pth"))

不推薦直接save與load，因為這種方式嚴重依賴模型定義方法以及文件路徑結構等，容易出問題。

t.save(net,"net.pth")
net2=t.load("net.pth")

 【PyTorch中已封裝的網絡模型】https://pytorch.org/docs/stable/torchvision/index.html

 從上圖看出，有針對分類問題、語義分割、目標識別、視頻分類的模型。

以分類模型為例，PyTorch中已封裝的模型如下：

 使用方式，參考標黃部分

######################################## 1、使用torchvision加載並預處理數據集

#### datasets的ImageFolder讀圖
from torchvision.datasets import ImageFolder
dataset=ImageFolder("E:/data/dogcat_2/train/") #獲取路徑，返回的是所有圖的data、label
from torchvision import transforms as T #設置格式化條件
transform=T.Compose([T.Resize((64,64)), 
                     T.ToTensor(), #PIL Image轉Tensor，[0,255]自動歸一化為[0,1]
                     T.Normalize(mean=[0.5,0.5,0.5],std=[0.5,0.5,0.5]) #標准化，減均值除標准差
                    ])
dataset=ImageFolder("E:/data/dogcat_2/train/",transform=transform)
testset=ImageFolder("E:/data/dogcat_2/test/",transform=transform)

#### DataLoader
from torch.utils.data import DataLoader
dataloader=DataLoader( dataset,batch_size=4,shuffle=True,num_workers=2 )
testloader=DataLoader(testset,batch_size=4,shuffle=True,num_workers=2)

#### 顯示第1個batch的4幅圖（隨機）
from torchvision.transforms import ToPILImage
from torchvision.utils import make_grid
dataiter = iter(dataloader)
(images, labels) = dataiter.next()
print(labels) #打印標簽
show=ToPILImage() 
show(make_grid(images*0.5+0.5)).resize((4*64,64)) 

######################################## 2、定義網絡
from torchvision import models net=models.alexnet() ######################################## 3、定義損失函數和優化器
import torch.nn as nn
from torch import optim
criterion=nn.CrossEntropyLoss() #交叉熵損失函數
optimizer=optim.SGD(net.parameters(),lr=0.001,momentum=0.9) #隨機梯度下降法，指定要調整的參數和學習率，動量算法加速更新權重

######################################## 4、訓練網絡並更新網絡參數
for epoch in range(2):  # 在整個數據集上輪番訓練多次，輪訓一次叫一個回合(epoch)

    running_loss = 0.0
    for i, data in enumerate(dataloader, 0):
        
        # 輸入數據
        inputs, labels = data
        
        # 梯度清零
        optimizer.zero_grad()

        # forward + backward
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        
        #更新參數
        optimizer.step()

        # 打印一些關於訓練的統計信息
        running_loss += loss.item()
        if i % 200 == 199:    # 每 200 個batch打印一次
            print('[%d, %5d] loss: %.3f' %(epoch + 1, i + 1, running_loss / 200))
            running_loss = 0.0

print('Finished Training')

######################################## 5、測試網絡
import torchvision as tv
import torch as t
#datasets測試集中前4幅圖，並輸出標簽
dataiter = iter(testloader)
(images, labels) = dataiter.next() #返回1個batch（4張圖）

# 輸出圖像和正確的類標簽
#print('實際的label：', ' '.join('%5s' % classes[labels[j]] for j in range(4)))
show(tv.utils.make_grid((images+1)/2)).resize((400,100))

#測試
outputs = net(images) #預測上邊得到的batch（4張圖），返回得分(每一類都打分)
_, predicted = t.max(outputs, 1) #每1張圖得分最高的那個類的下標

print(outputs)
print(predicted)
#print('預測結果：', ' '.join('%5s' % classes[predicted[j]] for j in range(4)))
show(tv.utils.make_grid((images+1)/2)).resize((400,100))

#測試整個測試集
correct = 0 #預測正確的圖片數
total = 0 #總共的圖片數
with t.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = t.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('10000張測試集中的准確率: %d %%' % (100 * correct / total))