pytorch的序列化

PyTorch是一个基于Python的开源机器学习框架，序列化是指将模型、张量或其他Python对象转换为一种可存储的格式，以便于在后续的时间点进行加载、重用或共享。通过序列化，可以将模型保存到磁盘上，方便后续再次加载和使用。

具体来说，PyTorch的序列化涉及两个主要方面：

①模型的序列化：PyTorch允许将整个模型保存到磁盘上，以便在需要时重新加载模型。这包括模型的架构（网络结构）和参数。通过序列化模型，可以在不重新训练的情况下重用已经训练好的模型，加快了代码开发和推理过程。

②张量的序列化：PyTorch的张量是对数据进行操作的基本单位。序列化张量意味着将张量的值及其所有相关信息（如形状、数据类型等）保存到磁盘上。通过序列化张量，可以将计算得到的结果或者需要保存的数据存储起来，以便后续使用，而无需重新进行计算。

PyTorch提供了多种方式来实现序列化，其中包括使用torch.save()函数、pickle库以及其他支持的格式（如ONNX格式）。通过这些序列化方法，可以将模型和张量保存为二进制文件或其他常见的数据格式，可以跨平台、跨语言地加载和使用。

①pickle序列化

Pickle是Python内置的序列化模块，可以将Python对象转换为字节流的形式。在PyTorch中，我们使用pickle来序列化模型的状态字典。

保存模型的例子：

import torch
import pickle

model = torch.nn.Linear(10, 2)  # 创建一个简单的线性模型
model_state_dict = model.state_dict()  # 获取模型的状态字典

# 保存模型状态字典到文件
with open('model.pkl', 'wb') as f:
    pickle.dump(model_state_dict, f)

加载模型的例子： 

import torch
import pickle

model = torch.nn.Linear(10, 2)  # 创建一个与保存模型结构相同的模型

# 加载模型状态字典
with open('model.pkl', 'rb') as f:
    model_state_dict = pickle.load(f)

# 将加载的模型状态字典复制到模型中
model.load_state_dict(model_state_dict)

②torch.save()函数序列化

PyTorch还提供了torch.save()函数，可以直接将整个模型保存到磁盘。

保存模型：

import torch

model = torch.nn.Linear(10, 2)  # 创建一个简单的线性模型

# 保存整个模型到文件
torch.save(model, 'model.pth')

加载模型：

import torch

# 加载已保存的模型
model = torch.load('model.pth')

需要注意的是，PyTorch的序列化只保存了模型的状态（参数和结构）或张量的值和相关信息，而不包括优化器的状态、计算图等其他附加信息。因此，在重新加载模型或张量后，可能需要手动设置超参数、重新定义模型结构或重新计算与模型相关的内容。