我们以Fashion-MNIST数据集为例，介绍一下关于pytorch的数据集导入。
PyTorch域库提供许多预加载的数据集（如FashionMNIST），这些数据集是torch.utils.data.Dataset的子类，并实现了特定于指定数据的功能。
Fashion-MNIST是Zalando文章中的图像数据集，包含60,000个训练示例和10,000个测试示例。每个示例包括28×28灰度图像和来自10个类中的一个的关联标签。
import torch
from torchvision import datasets
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE' # 没有这句会报错，具体原因我也不知道
training_data = datasets.FashionMNIST(
root="../data",
train=True,
download=True,
transform=ToTensor()
)
test_data = datasets.FashionMNIST(
root="../data",
train=False,
download=True,
transform=ToTensor()
)
输出（下面的截图不完整）
我们使用以下参数加载FashionMNIST数据集:
root是存储训练/测试数据的路径，
train指定训练或测试数据集，
download=True 如果数据集不存在于指定存储路径，那么就从网上下载。
transform和target_transform用于指定属性和标签转换操作，这里所说的“转换操作”，通常封装在torchvision.transforms中，因此通常需要导入torchvision.transforms，或者导入这个包中的操作
我们可以像列表一样手动索引数据集:training_data[index]。我们使用matplotlib来可视化训练数据中的一些示例。
labels_map = {
0: "T-Shirt",
1: "Trouser",
2: "Pullover",
3: "Dress",
4: "Coat",
5: "Sandal",
6: "Shirt",
7: "Sneaker",
8: "Bag",
9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
for i in range(1, cols * rows + 1):
# 从0-len(training_data)中随机生成一个数字（不包括右边界）
sample_idx = torch.randint(len(training_data), size=(1,)).item()
img, label = training_data[sample_idx] # 获得图片和标签
figure.add_subplot(rows, cols, i)
plt.title(labels_map[label])
plt.axis("off") # 坐标轴不可见
plt.imshow(img.squeeze(), cmap="gray") # 显示灰度图
plt.show()
输出
上面的程序中，有两个地方指的注意，一个是可以求training_data的长度，另一个可以通过索引获得单个样本，当然这里的样本已经被转换成了张量，如下图所示
如果要导入自己制作的数据集，需要编写一个类，这个类用于继承torch.utils.data中的Dataset类。自制的数据集类必须实现三个函数:init、len__和__getitem，分别是初始化类，求长度len(obj)，通过索引获得单个样本（像列表一样）。
import os
import pandas as pd
from torch.utils.data import Dataset
from torchvision.io import read_image
class CustomImageDataset(Dataset):
def __init__(self, annotations_file, img_dir, transform=None, target_transform=None):
self.img_labels = pd.read_csv(annotations_file)
self.img_dir = img_dir
self.transform = transform
self.target_transform = target_transform
def __len__(self):
return len(self.img_labels)
def __getitem__(self, idx):
img_path = os.path.join(self.img_dir, self.img_labels.iloc[idx, 0])
image = read_image(img_path)
label = self.img_labels.iloc[idx, 1]
if self.transform:
image = self.transform(image)
if self.target_transform:
label = self.target_transform(label)
return image, label
具体细节可以在pytorch的官网教程：https://pytorch.org/tutorials/beginner/basics/data_tutorial.html
Creating a Custom Dataset for your files
上面的程序中，虽然可以使用索引获得样本，但一次只能获得单个样本，无法像列表、张量、numpy切片一样一次切出多个
而在训练模型的时候，我们希望能够批处理，即一次处理若干个样本，同时，我们希望数据在每次遍历完之后打乱一次，以减少过拟合，并使用Python的多处理来加快数据提取。
pytorch中，专门有一个类可以实现上述功能，即torch.utils.data.DataLoader
下面的程序是将数据集导入到DataLoader中
from torch.utils.data import DataLoader train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True) # train_dataloader是一个DataLoader类的对象 test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)
training_data和test_data就是前面导入的数据集，由于我们指定了batch的大小是64，因为我们指定了shuffle=True，所以在遍历所有batch之后，数据将被打乱。
此时training_data和test_data仍然不是可迭代对象，还需要将其变成可迭代对象，可以使用iter函数将每一个batch转化成可迭代对象，或者enumerate函数将其的每个batch带上序号变成元组
用iter函数
for batch_index, (features, label) in enumerate(train_dataloader):
print(batch_index)
print(f"Feature batch shape: {features.size()}")
print(f"Labels batch shape: {label.size()}")
img = features[0].squeeze()
label = label[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")
break
输出
上面的程序中，train_features, train_labels都是包含64个样本的张量
用enumerate函数
for batch_index, (features, label) in enumerate(train_dataloader):
print(batch_index)
print(f"Feature batch shape: {features.size()}")
print(f"Labels batch shape: {label.size()}")
img = features[0].squeeze()
label = label[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"Label: {label}")
break
数据并不总是以训练机器学习算法所需的最终处理形式出现，因此我们需要对数据进行一些变换操作，使其适合于训练。
所有的TorchVision数据集都有两个参数，它们接受包含转换逻辑的可调用对象：（1）transform用于修改特性，（2）target_transform用于修改标签
torchvision.transforms模块提供了多种常用的转换，这里我们介绍一下ToTensor和Lambda。
为了进行训练，我们需要将FashionMNIST中的特征转化为normalized tensors，将标签转化为One-hot编码的张量。为了完成这些变换，我们使用ToTensor和Lambda。
import torch
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda
ds = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor(),
target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))
)
ToTensor将PIL图像或NumPy ndarray转换为FloatTensor，并将图像的像素值（或者灰度值）缩放到[0, 1]区间
Lambda可以用于任何用户定义的lambda函数，在这里，我们定义一个函数来将整数转换为一个one-hot编码张量，首先建立一个长度为10的0张量（之所以为10，是因为有10个类别），然后调用scatter_函数，把对应的位置换成1。scatter_函数的用法如下：
更多torchvision.transforms的API详见：https://pytorch.org/vision/stable/transforms.html
神经网络由对数据进行操作的层/模块组成，torch.nn提供了构建的神经网络所需的所有构建块。PyTorch中的每个模块都继承了nn.Module，神经网络本身就是一个模块，它由其他模块(层)组成，这种嵌套结构允许轻松构建和管理复杂的体系结构。
在下面的小节中，我们将构建一个神经网络来对FashionMNIST数据集中的图像进行分类。
我们通过继承nn.Module来定义我们的神经网络类，并在__init__中初始化神经网络层，每一个nn.Module的子类在forward方法中继承了对输入数据的操作。
在初始化方法中搭建网络结构
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.flatten = nn.Flatten() # 打平
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512), # 线性层
nn.ReLU(), # 激活层
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
nn.ReLU()
)
def forward(self, x):
x = self.flatten(x) # 打平层
logits = self.linear_relu_stack(x) # 线性激活层
return logits
We create an instance of NeuralNetwork, and print its structure.
我们可以建立一个NeuralNetwork（即刚刚定义的类）的实例，并打印它的结构
model = NeuralNetwork() print(model)
输出
NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
(5): ReLU()
)
)
使用模型时，我们将输入数据传递给它，这将执行模型的forward方法，以及一些背后的操作。注意：不要直接调用model.forward() !
定义好我们自己的神经网络类之后，我们可以随机生成一个张量，来测试一下输出的size是否符合要求
每个样本传入模型后会得到一个10维的张量，将这个张量传入nn.Softmax的实例中，可以得到每个类别的概率
X = torch.rand(1, 28, 28) # 生成一个样本
logits = model(X) # 将样本输入到模型中，自动调用forward方法
print(logits.size())
pred_probab = nn.Softmax(dim=1)(logits) # 实例化一个Softmax对象，并通过对象调用
y_pred = pred_probab.argmax(1) # 获得概率最大索引
print(f"Predicted class: {y_pred}")
输出
torch.Size([1, 10])
Predicted class: tensor([8])
（2）神经网络组件
上面搭建神经网络时，我们使用了打平函数、线性函数、激活函数，我们来看看这些函数的功能
打平层
input_image = torch.rand(3,28,28) print(input_image.size())
输出
torch.Size([3, 28, 28])
线性层
layer1 = nn.Linear(in_features=28*28, out_features=20) hidden1 = layer1(flat_image) print(hidden1.size())
输出
torch.Size([3, 20])
线性层其实就是实现了 y=w*x + b，其实是和下面的程序是等效的，但下面的程序不适合放在nn.Sequential中（但可以放在forward方法里）
w = torch.rand(784, 20) b = torch.rand((1, 20)) hidden2 = flat_image @ w + b print(hidden2.size())
输出
torch.Size([3, 20])
nn.Sequential是一个模块容器类，在初始化时，将各个模块按顺序放入容器中，调用模型时，数据按照初始化时的顺序传递。
例如：
seq_modules = nn.Sequential(
flatten, # 在nn.Sequential中可以调用其他模块
layer1,
nn.ReLU(),
nn.Linear(20, 10)
)
input_image = torch.rand(3,28,28)
logits = seq_modules(input_image)
在nn.Sequential中可以调用其他模块，nn.Sequential定义的模块也可以被其他模块调用
神经网络中的许多层都是参数化的，也就是说，在训练过程中会优化相关的权值和偏差，我们可以使用模型的parameters()或named_parameters()方法访问所有参数。
model.parameters()返回的是一个参数生成器，可以用list()将其转化为列表，例如
para_list = list(model.parameters())
# 将参数生成器转换成列表之后，列表的第一个元素是w，第二个元素是b
print(type(para_list[0]))
print(f'number of linear_layers :{len(para_list)/2}')
print('weights:')
print(para_list[0][:2]) # 只切出两个样本来显示
print('bias:')
print(para_list[1][:2])
print('\nthe shape of first linear layer:', para_list[0].shape)
输出
<class 'torch.nn.parameter.Parameter'>
number of linear_layers :3.0
weights:
tensor([[ 0.0135, 0.0206, 0.0051, ..., -0.0184, -0.0131, -0.0246],
[ 0.0127, 0.0337, 0.0177, ..., 0.0304, -0.0177, 0.0316]],
grad_fn=<SliceBackward>)
bias:
tensor([0.0333, 0.0108], grad_fn=<SliceBackward>)the shape of first linear layer: torch.Size([512, 784])
named_parameters()方法返回参数的名称和参数张量，例如：
print("Model structure: ", model, "\n\n")
for name, param in model.named_parameters():
print(f"Layer: {name} | Size: {param.size()} | Values : \n{param[:2]} \n")
# 只切出前两行显示
输出
Model structure: NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
(5): ReLU()
)
)
Layer: linear_relu_stack.0.weight | Size: torch.Size([512, 784]) | Values :
tensor([[ 0.0135, 0.0206, 0.0051, ..., -0.0184, -0.0131, -0.0246],
[ 0.0127, 0.0337, 0.0177, ..., 0.0304, -0.0177, 0.0316]],
grad_fn=<SliceBackward>)Layer: linear_relu_stack.0.bias | Size: torch.Size([512]) | Values :
tensor([0.0333, 0.0108], grad_fn=<SliceBackward>)Layer: linear_relu_stack.2.weight | Size: torch.Size([512, 512]) | Values :
tensor([[ 0.0338, 0.0266, -0.0030, ..., -0.0163, -0.0096, -0.0246],
[-0.0292, 0.0302, -0.0308, ..., 0.0279, -0.0291, -0.0105]],
grad_fn=<SliceBackward>)Layer: linear_relu_stack.2.bias | Size: torch.Size([512]) | Values :
tensor([ 0.0137, -0.0036], grad_fn=<SliceBackward>)Layer: linear_relu_stack.4.weight | Size: torch.Size([10, 512]) | Values :
tensor([[ 0.0029, -0.0025, 0.0105, ..., -0.0054, 0.0090, 0.0288],
[-0.0391, -0.0088, 0.0405, ..., 0.0376, -0.0331, -0.0342]],
grad_fn=<SliceBackward>)Layer: linear_relu_stack.4.bias | Size: torch.Size([10]) | Values :
tensor([0.0406, 0.0369], grad_fn=<SliceBackward>)
更多关于torch.nn的API请看：https://pytorch.org/docs/stable/nn.html
在绘制计算图之前，需要给出超参数，这里说的超参数，指的是学习率、批大小、迭代次数等
learning_rate = 1e-3 batch_size = 64 epochs = 5
回归问题一般用nn.MSELoss，二分类问题一般用nn.BCELoss，多分类问题一般用nn.CrossEntropyLoss，这里FashionMNIST中，标签有十个类别，因此这里我们用nn.CrossEntropyLoss
# Initialize the loss function loss_fn = nn.CrossEntropyLoss()
这里我们用随机梯度下降，即每传入一个样本，更新一次参数
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
更多优化方法的API，可以看：https://pytorch.org/docs/stable/optim.html
常用的优化算法原理，可以看：https://zhuanlan.zhihu.com/p/78622301
每个epoch包括两个主要部分:
训练循环（train_loop）——遍历训练数据集并尝试收敛到最优参数。
验证/测试循环（test_loop）——遍历测试数据集以检查模型性能是否正在改善。
我们先把上述两个过程封装成函数
def train_loop(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
for batch, (X, y) in enumerate(dataloader):
# Compute prediction and loss，下面两步相当于绘制计算图
pred = model(X)
loss = loss_fn(pred, y)
# Backpropagation
optimizer.zero_grad() # 梯度信息清零
loss.backward() # 反向传播
optimizer.step() # 一旦有了梯度，就可以更新参数
if batch % 100 == 0:
loss, current = loss.item(), batch * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
def test_loop(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batches = len(dataloader)
test_loss, correct = 0, 0
with torch.no_grad(): # 禁用梯度跟踪，后面会讲
for X, y in dataloader:
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
现在可以进行训练了
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
train_loop(train_dataloader, model, loss_fn, optimizer)
test_loop(test_dataloader, model, loss_fn)
print("Done!")
输出
我们可以写一段代码，看看预测的图片对不对
test_features, test_labels = next(iter(test_dataloader))
logits = model(test_features[0])
pred_probab = nn.Softmax(dim=1)(logits)
pred = pred_probab.argmax(1)
img = test_features[0].squeeze() # 将长度为1的维度去掉
true_label = test_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"True label: {true_label}")
print(f"Predict: {pred.item()}")
输出
在上面的测试循环中，使用了torch.no_grad()方法，在表示所在的with块不对梯度进行记录。
默认情况下，所有requires_grad=True的张量（在创建优化器的时候，内部就把里面的参数全部设置为了requires_grad=True）都跟踪它们的计算历史并支持梯度计算。但是，在某些情况下，我们并不需要这样做，例如，测试的时候，我们只是想通过网络进行正向计算。我们可以通过使用torch.no_grad()块包围计算代码来停止跟踪计算:
z = torch.matmul(x, w)+b
print(z.requires_grad)
with torch.no_grad():
z = torch.matmul(x, w)+b
print(z.requires_grad)
输出
True
False
禁用梯度跟踪主要用于下面两种情况：
（1）将神经网络中的一些参数标记为冻结参数，这是对预先训练过的网络进行微调的一个常见的场景
（2）当你只做正向传递时，为了加快计算速度，因为不跟踪梯度的张量的计算会更有效率。
PyTorch模型将学习到的参数存储在一个内部状态字典中，称为state_dict，我们可以通过torch.save()将模型的参数保存到指定路径。
保存了模型的参数，还需要保存模型的形状（即模型的结构）
# 保存模型参数 torch.save(model.state_dict(), './model_weights.pth') # 保存模型结构 torch.save(model, './model.pth')
导入模型时，需要先导入模型的结构，再导入模型的参数，代码如下：
# 导入模型结构
model_loaded = torch.load('./model.pth')
# 如果原来的model在cuda:0上，那么导入之后，model_loaded也在cuda:0上
# 导入模型参数
model_loaded.load_state_dict(torch.load('model_weights.pth'))
因为model是NeuralNetwork类的一个对象，所以在导入状态前，必须先有一个NeuralNetwork对象，要么实例化一个，要么通过导入结构torch.load('./model.pth')导入一个.
torch.load直接导入模型，不是特别推荐，原因有以下两点：
（1）如果A.py文件中的程序保存了model.pth，如果文件B.py想读取这个模型，则不能直接用torch.load导入模型结构，必须先实例化一个NeuralNetwork对象，要么从A.py或者从其他文件中把NeuralNetwork类给导进来，要么这里重写一个与A.py中一模一样的NeuralNetwork类，类名也要一样，否则报错。
# 实例化一个NeuralNetwork对象
model_loaded = NeuralNetwork() # model_loaded默认是CPU中
# 导入模型参数
model_loaded.load_state_dict(torch.load('./gdrive/MyDrive/model_weights.pth'))
（2）如果用torch.load导入模型，当我们在cuda:0上训练好一个模型并保存时，读取出来的模型也是默认在cuda:0上的，如果训练过程的其他数据被放到了如cuda:1上，则会报错。而实例化创建模型，由于.load_state_dict可以跨设备，则无论原来的模型在什么设备上，都不妨碍把参数导入到新创建的模型对象当中。
综合上面两点，torch.load慎用，最好是先实例化后再导入模型状态。
我们可以用导入的模型做预测
test_features, test_labels = next(iter(test_dataloader))
logits = model_loaded(test_features[0]) # 使用导入的模型
pred_probab = nn.Softmax(dim=1)(logits)
pred = pred_probab.argmax(1)
img = test_features[0].squeeze() # 将长度为1的维度去掉
true_label = test_labels[0]
plt.imshow(img, cmap="gray")
plt.show()
print(f"True label: {true_label}")
print(f"Predict: {pred.item()}")
输出
默认情况下，张量和模型是在CPU上创建的。如果想让其在GPU中操作，我们必须使用.to方法(确定GPU可用后)显式地移动到GPU。需要注意的是，跨设备复制大张量在时间和内存上开销都是很大的！
# We can move our tensor to the GPU if available
device = 'cuda' if torch.cuda.is_available() else 'cpu'
print('Using {} device'.format(device))
输出
Using cuda device
在初始化模型时，可以将模型放入GPU中
model = NeuralNetwork().to(device)
对于张量，可以在创建的时候指定为在GPU上创建，也可以在创建后转移到GPU当中
X = torch.rand(1, 28, 28, device=device) # 创建时指定设备 Y = torch.rand(10).to(device) # 创建后转移
当然，张量和模型也能从GPU转移到CPU当中，我们可以用.device()来查看张量所在设备
另外，需要注意的是，如果需要将模型送到GPU当中，必须在构建优化器之前。因为CPU和GPU中的模型，是两个不同的对象，构建完优化器再将模型放入GPU，将导致优化器只优化CPU中的模型参数。
有些电脑有多张显卡，那么.to(‘cuda')默认是将张量或者模型转移到第一张显卡（编号为0）上，如果想转移到其他显卡上，则用下面的程序
device = torch.device(‘cuda:2') # 2是设备号，假如有八张显卡，那么编号就是0—7
torch.save
至此，所有程序已经完成
上面的程序有点乱，我这里综合一下：
# coding=utf-8
import torch
import torch.nn as nn
from torchvision import datasets
from torch.utils.data import DataLoader
from torchvision.transforms import ToTensor
import matplotlib.pyplot as plt
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE' # 没有这句会报错，具体原因我也不知道
# 导入数据
training_data = datasets.FashionMNIST(
root="../data",
train=True,
download=True,
transform=ToTensor()
)
test_data = datasets.FashionMNIST(
root="../data",
train=False,
download=True,
transform=ToTensor()
)
# 定义超参数
# 之所以在这个地方定义，是因为在初始化DataLoader时需要用到batch_size
learning_rate = 1e-3
batch_size = 64
epochs = 5
train_dataloader = DataLoader(training_data, batch_size=batch_size, shuffle=True)
# train_dataloader是一个DataLoader类的对象
test_dataloader = DataLoader(test_data, batch_size=batch_size, shuffle=True)
# 搭建神经网络
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.flatten = nn.Flatten() # 打平
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512), # 线性层
nn.ReLU(), # 激活层
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
nn.ReLU()
)
def forward(self, x):
x = self.flatten(x) # 打平层
logits = self.linear_relu_stack(x) # 线性激活层
return logits
# 确定使用设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'
# 实例化一个神经网络类
model = NeuralNetwork().to(device)
# 确定损失函数
loss_fn = nn.CrossEntropyLoss()
# 确定优化器
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
# 封装训练过程
def train_loop(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
for batch, (X, y) in enumerate(dataloader):
X, y = X.to(device), y.to(device) # 将样本和标签转移到device中
# Compute prediction and loss，下面两步相当于绘制计算图
pred = model(X)
loss = loss_fn(pred, y)
# Backpropagation
optimizer.zero_grad() # 梯度信息清零
loss.backward() # 反向传播
optimizer.step() # 一旦有了梯度，就可以更新参数
if batch % 100 == 0:
loss, current = loss.item(), batch * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
# 封装测试过程
def test_loop(dataloader, model, loss_fn):
size = len(dataloader.dataset)
num_batches = len(dataloader)
test_loss, correct = 0, 0
with torch.no_grad():
for X, y in dataloader:
X, y = X.to(device), y.to(device) # 将样本和标签转移到device中
pred = model(X)
test_loss += loss_fn(pred, y).item()
correct += (pred.argmax(1) == y).type(torch.float).sum().item()
test_loss /= num_batches
correct /= size
print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
# 训练
for t in range(epochs):
print(f"Epoch {t+1}\n-------------------------------")
train_loop(train_dataloader, model, loss_fn, optimizer)
test_loop(test_dataloader, model, loss_fn)
print("Done!")
# 保存模型参数
torch.save(model.state_dict(), './model_weights.pth')
# 保存模型结构
torch.save(model, './model.pth')
# 导入模型结构
model_loaded = torch.load('./model.pth') # 模型自动导入到GPU当中
# 导入模型参数
model_loaded.load_state_dict(torch.load('model_weights.pth'))
# 用导入的模型测试
test_features, test_labels = next(iter(test_dataloader))
test_features = test_features.to(device)
logits = model_loaded(test_features[0]) # 使用导入的模型
pred_probab = nn.Softmax(dim=1)(logits)
pred = pred_probab.argmax(1)
# 可视化
img = test_features[0].squeeze() # 将长度为1的维度去掉
img = img.to('cpu') # 绘图时，需要将张量转回到CPU当中
true_label = test_labels[0] # 标签是否转移到CPU无所谓，因为没有用于plt的方法中
plt.imshow(img, cmap="gray")
plt.show()
print(f"True label: {true_label}")
print(f"Predict: {pred.item()}")
