這篇博文主要簡單介紹深度學習框架keras和pytorch的模型儲存方法和模型引數儲存方法。

keras：

import keras
form keras.models import load_model,Sequential,Model,Input
from keras.layers import Dense,........######
model = Sequential()
model.add(Dense(units = 10,input_shape = (),name = 'dense'))
model.compile(loss = 'mse',optimizer = 'adam'
 
)
model.fit()
#########這是整個模型的儲存方法
model.save('/home/路徑/model.h5')
###### 匯出模型   
model = load_model('model.h5')#  具體路徑先不寫了，因為我懶

如果你只想儲存模型引數的話：

#先按照上面的方法搭建一個model
model.sequential()
model.add(Dense(12),name )
model.save_weights('weights.h5')
#####想要匯出weights的話
model.load_weights('weights.h5')
###其實在model.save_weights中還有一個引數，by_name 這個引數可以指定匯入一些模型的引數
 

model.load_weights('weights.h5',by_name = True)

pytorch:

剛入手pytorch 沒多久 ，
直接上程式碼吧
先寫個簡單的主要框架。。

import torch
import torch.optim as optim
import torch.nn as nn2d
class NeuralModel(nn.Module):#### 這裡的nn.Module是pytorch 神經網路的結構
    def __init__(self):
        super(NeuralModel,self).__init__()
        self.conv = nn.Sequential(nn.Conv2d()
        nn.BatchNorm2d(通道數)
        nn.ReLU(inplace = True
 
))
        self.fc1 = nn.Linear(input_dim,units)
    def forward(self,x):
        out = self.conv1(x)
        out = self.fc(x)
        return out

model = NeuralModel().cuda() ########## 土豪如果有GPU就用cuda吧
print(model)#######直接將model 打印出來
lr = 0.1
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=lr, momentum=0.9, nesterov=True, weight_decay=0.0001)
is_train = True
if is_train = True:
    for epoch in epochs:
        model.train()
        for i,(features,labels) in enumerate(train_loader):  #train_loader 用pytorch自用的生成器程式碼
            features = Variable(features).cuda()
            labels = Variable(labels).cuda()#cuda 是土豪專用，請謹慎使用，一旦這裡所有的變數使用了cuda，那麼模型的加速也就需要使用cuda，就是上面提到的model = NeuralModel().cuda(),這裡的cuda不能落下，在測試階段也一樣，輸入必須為cuda tensor
            optimizer.zero_grad()
            outputs = model(images)
            loss = criterion(outputs, labels)
            loss.backward()
            optimizer.step()
            if (i+1) % 100 == 0:
                print("Epoch [%d/%d], Iter [%d/%d] Loss: %.4f" %(epoch+1, total_epoch, i+1, len(train_loader), loss.data[0]))
        print('the epoch takes time:',time.time()-tims)
        print('evaluate test set:')
        acc = test(model, test_loader, btrain=True)
        if acc > acc_best:
             acc_best = acc
             print('current best acc,', acc_best)
             torch.save(model.state_dict(), model_file)
        # Decaying Learning Rate
        if (epoch+1) / float(total_epoch) == 0.3 or (epoch+1) / float(total_epoch) == 0.6 or (epoch+1) / float(total_epoch) == 0.9:
            lr /= 10
            print('reset learning rate to:', lr)
            for param_group in optimizer.param_groups:
                param_group['lr'] = lr
                print(param_group['lr'])
            # optimizer = torch.optim.Adam(model.parameters(), lr=lr)
            # optim.SGD(model.parameters(), lr=lr, momentum=0.9, nesterov=True, weight_decay=0.0001)
    # Save the Model
    torch.save(model.state_dict(), 'last_model_92_sgd.pkl')
else:
    model.load_state_dict(torch.load(model_file))####### 這個就是匯出模型的引數
    model.eval()
    pred = model(test_features)

torch 這部分的程式碼其實已經搭了一個簡單的torch框架，具體有關torch的一些細節我們之後討論，torch中用來儲存模型引數的程式碼主要是torch.save(model.state_dict(),model_file)
將引數load到model中的程式碼是model.load_state_dict(torch.load(model_file))