个人免费设计网站微小店网站建设多少钱

个人免费设计网站,微小店网站建设多少钱,互联网营销培训班,男女做暧视频网站免费浙大疏锦行 #x1f4d8; Day 35 实战作业#xff1a;最后一公里 —— 可视化、保存与推理 1. 作业综述 核心目标#xff1a; 完成深度学习项目的闭环。 训练不是终点#xff0c;应用才是。我们需要学会查看模型结构#xff0c;将训练好的模型保存为文件#xff08;.p…浙大疏锦行 Day 35 实战作业最后一公里 —— 可视化、保存与推理1. 作业综述核心目标完成深度学习项目的闭环。训练不是终点应用才是。我们需要学会查看模型结构将训练好的模型保存为文件.pth并重新加载它来进行预测推理。涉及知识点结构检视:print(model)与model.named_parameters()。模型持久化:torch.save与torch.load。状态字典: 理解state_dict的核心作用。推理模式:model.eval()与torch.no_grad()的重要性。场景类比训练: 像是读书上课把知识权重装进脑子。保存: 像是把脑子里的知识写成一本“秘籍”.pth文件。加载: 别人拿到秘籍修炼一下也拥有了同样的功力。推理: 用这身功力去解决实际问题考试/打架。步骤 1模型解剖场景描述我们在代码里写了nn.Linear但模型内部到底有多少参数比如一个4 - 10的全连接层参数量是10 × 4 10 \times 410×4(权重) 10 1010(偏置) 50 5050个。我们需要学会查看这些细节。任务定义并实例化之前的 MLP 模型。直接打印模型对象查看层结构。遍历named_parameters()打印每一层的参数形状。importtorchimporttorch.nnasnn# --- 1. 快速复现模型 (复习) ---classMLP(nn.Module):def__init__(self):super(MLP,self).__init__()self.fc1nn.Linear(4,10)self.relunn.ReLU()self.fc2nn.Linear(10,3)defforward(self,x):outself.fc1(x)outself.relu(out)outself.fc2(out)returnout modelMLP()# --- 2. 宏观看结构 ---print( 模型结构图 )print(model)# --- 3. 微观看参数 ---print(\n 参数细节 )total_params0forname,paraminmodel.named_parameters():print(f层:{name}| 形状:{param.shape})# 累加参数数量 (numel number of elements)total_paramsparam.numel()print(f\n 模型总参数量:{total_params})# 算一下fc1 (4*10 10) fc2 (10*3 3) 50 33 83。对上了吗 模型结构图 MLP( (fc1): Linear(in_features4, out_features10, biasTrue) (relu): ReLU() (fc2): Linear(in_features10, out_features3, biasTrue) ) 参数细节 层: fc1.weight | 形状: torch.Size([10, 4]) 层: fc1.bias | 形状: torch.Size([10]) 层: fc2.weight | 形状: torch.Size([3, 10]) 层: fc2.bias | 形状: torch.Size([3]) 模型总参数量: 83步骤 2模型的保存与加载核心概念PyTorch 推荐只保存参数权重和偏置而不是保存整个模型对象。这些参数存储在一个字典里叫state_dict。保存torch.save(model.state_dict(), best_model.pth)加载先实例化一个空模型然后model.load_state_dict(...)任务模拟训练这里直接保存初始模型即可。将模型参数保存到iris_model.pth。删除原模型创建一个新模型加载参数验证是否复活。importos# --- 1. 保存 (Save) ---save_pathiris_model.pthprint(f 正在保存模型参数到:{save_path}...)# 这里的 state_dict() 就是那本“秘籍”torch.save(model.state_dict(),save_path)print(✅ 保存成功)# 检查文件是否存在print(f文件存在性检查:{os.path.exists(save_path)})# --- 2. 加载 (Load) ---print(\n 正在模拟加载过程...)# 假设我们在另一台电脑上首先需要定义同样的模型结构空壳new_modelMLP()# 此时 new_model 的参数是随机初始化的# 我们把保存的参数加载进去# weights_onlyTrue 是为了安全防止pickle注入新版本推荐加上state_dicttorch.load(save_path,weights_onlyTrue)new_model.load_state_dict(state_dict)print(✅ 模型加载完毕)print(新模型 fc1 偏置的前5个值:,new_model.fc1.bias[:5].detach().numpy()) 正在保存模型参数到: iris_model.pth ... ✅ 保存成功 文件存在性检查: True 正在模拟加载过程... ✅ 模型加载完毕 新模型 fc1 偏置的前5个值: [ 0.01631749 -0.33050632 -0.18811053 -0.42050672 -0.4696836 ]步骤 3推理模式 (Inference)场景描述模型训练好并加载后就可以上线使用了。在推理预测阶段有两个关键动作model.eval(): 告诉模型“我要考试了”关闭 Dropout 和 BatchNorm 等训练专用的层。torch.no_grad(): 告诉 PyTorch “不需要算梯度”这样能省大量内存并加速。任务准备一条新的测试数据。切换到推理模式。预测这条数据属于哪一类鸢尾花。# --- 1. 准备一条假数据 ---# 假设有4个特征花萼长、宽花瓣长、宽# 注意输入必须是 Tensor且通常需要加一个 batch 维度 (1, 4)sample_datatorch.tensor([[5.1,3.5,1.4,0.2]])print(f输入数据形状:{sample_data.shape})# --- 2. 推理流程 (标准范式) ---# A. 切换评估模式new_model.eval()# B. 关闭梯度计算上下文withtorch.no_grad():# 前向传播outputsnew_model(sample_data)# 获取预测结果# outputs 是 (1, 3) 的概率分布Logitsprint(f模型原始输出 (Logits):{outputs})# 转化为概率 (Softmax)probstorch.softmax(outputs,dim1)print(f预测概率:{probs})# 取概率最大的类别索引predicted_classtorch.argmax(probs,dim1).item()# --- 3. 结果解读 ---class_names[Setosa,Versicolor,Virginica]print(f\n 最终预测类别:{predicted_class}-{class_names[predicted_class]})输入数据形状: torch.Size([1, 4]) 模型原始输出 (Logits): tensor([[ 0.0609, -0.5886, -0.3129]]) 预测概率: tensor([[0.4524, 0.2363, 0.3113]]) 最终预测类别: 0 - Setosa Day 35 总结深度学习基础通关恭喜你完成了从 Numpy 手搓感知机到 PyTorch 搭建、训练、保存、推理的全过程。回顾今天的重点参数量: 以后看到论文里的 “10B parameters” (100亿参数)你就知道那是numel()累加出来的。State Dict: 模型文件本质上就是一个 Python 字典存着{fc1.weight: tensor(...), ...}。Eval Mode: 预测时不加model.eval()和no_grad()是新手最容易犯的错误可能导致结果不准或显存爆炸。Next Level (预告):从明天开始我们将不再处理简单的表格数据。我们将进入计算机视觉 (Computer Vision)的世界去处理真正的图像数据。卷积神经网络 (CNN)、ResNet、迁移学习……激动人心的旅程才刚刚开始准备好你的 GPU我们明天见