云浮市网站建设_网站建设公司_SEO优化_seo优化

@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：

1. 定义并实例化之前的 MLP 模型。
2. 直接打印模型对象（查看层结构）。
3. 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.fc1=nn.Linear(4,10)self.relu=nn.ReLU()self.fc2=nn.Linear(10,3)defforward(self,x):out=self.fc1(x)out=self.relu(out)out=self.fc2(out)returnout model=MLP()# --- 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_params=0forname,paraminmodel.named_parameters():print(f"层:{name}| 形状:{param.shape}")# 累加参数数量 (numel = number of elements)total_params+=param.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_features=4, out_features=10, bias=True) (relu): ReLU() (fc2): Linear(in_features=10, out_features=3, bias=True) ) === 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：

1. 模拟训练（这里直接保存初始模型即可）。
2. 将模型参数保存到iris_model.pth。
3. 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_path="iris_model.pth"print(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_model=MLP()# 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_only=True 是为了安全（防止pickle注入），新版本推荐加上state_dict=torch.load(save_path,weights_only=True)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：

1. model.eval(): 告诉模型“我要考试了”，关闭 Dropout 和 BatchNorm 等训练专用的层。
2. 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：

1. 准备一条新的测试数据。
2. 切换到推理模式。
3. 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_data=torch.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outputs=new_model(sample_data)# 获取预测结果# outputs 是 (1, 3) 的概率分布（Logits）print(f"模型原始输出 (Logits):{outputs}")# 转化为概率 (Softmax)probs=torch.softmax(outputs,dim=1)print(f"预测概率:{probs}")# 取概率最大的类别索引predicted_class=torch.argmax(probs,dim=1).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：

1. 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。
2. State Dict: 模型文件本质上就是一个 Python 字典，存着{'fc1.weight': tensor(...), ...}。
3. 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！🚀