标签：load optimizer pth 地形图 state dict EEG 绘制 加载
脑地形图绘制------将各个通道的能量值以地形图形式绘制
绘制脑地形图需要两个文件bp1.txt和topoplotEEG.m文件， 首先打开bp1.txt文档，将里面的通道重新手动排序为与 当前输入信号x_sign矩阵中的每列对应的哪一个通道顺序一致（不使用的通道有两种方法①在x_sign矩阵中将不使用通道赋值为0；或者②在bp1.txt中将不使用的通道删除）
文件：590m.com/f/25127180-494683561-fc536e（访问密码：551685）
以下内容无关：
-------------------------------------------分割线---------------------------------------------
一、持久化概述
在 torch 中，以下对象可以持久化到硬盘，并可以通过相应的方法把这些对象持久化到内存中：
Tensor
Variable
nn.Module
Optimizer
上述对象本质上最后都是保存为 Tensor。并且 Tensor 的保存和加载非常简单，使用 t.save 和 t.load 即可。
在 save/load 时可指定使用的 pickle 模块，在 load 时还可以把 GPU tensor 映射到 CPU 或者其他 GPU 上。
我们可以通过 t.save(obj, file_name) 保存任意可序列化的对象，然后通过 obj=t.load(file_name) 方法加载保存的数据。
对于 Module 和 Optimizer 对象，建议保存为对应的 state_dict，而不是直接保存整个 Module/Optimizer 对象。Optimizer 对象保存的是参数和动量信息，通过加载之前的动量信息，能够很有效地减少模型震荡。
二、tensor 对象的保存和加载
import torch as t
a = t.Tensor(3, 4)
if t.cuda.is_available():
a = a.cuda(1) # 把 a 转为 GPU1 上的 tensor
t.save(a, ‘a.pth’)
# 加载为 b，存储于 GPU1 上（因为保存时 tensor 就在 GPU1 上）
b = t.load('a.pth')
# 加载为 c，存储于 CPU
c = t.load('a.pth', map_location=lambda storage, loc: storage)
# 加载为 d，存储于 GPU0 上
d = t.load('a.pth', map_location={'cuda:1': 'cuda:0'})
三、Module 对象的保存和加载
t.set_default_tensor_type(‘torch.FloatTensor’)
from torchvision.models import AlexNet
model = AlexNet()
module 的 state_dict 是一个字典
model.state_dict().keys()
t.save(model.state_dict(), ‘alexnet.pth’)
model.load_state_dict(t.load(‘alexnet.pth’))
四、Optimizer 对象的保存和加载
optimizer = t.optim.Adam(model.parameters(), lr=0.1)
t.save(optimizer.state_dict(), ‘optimizer.pth’)
optimizer.load_state_dict(t.load(‘optimizer.pth’))
五、所有对象集合的保存和加载
all_data = dict(optimizer=optimizer.state_dict(),
model=model.state_dict(),
info=u’模型和优化器的所有参数’)
t.save(all_data, ‘all.pth’)
all_data = t.load(‘all.pth’)
all_data.keys()
dict_keys([‘optimizer’, ‘model’, ‘info’])
六、第七章总结
本章介绍了 torch 的很多工具模块，主要涉及数据加载、可视化和 GPU 加速相关的内容，合理地使用这些模块可以极大地提升我们的编码效率。
标签：load,optimizer,pth,地形图,state,dict,EEG,绘制,加载 来源： https://blog.csdn.net/weixin_43322764/article/details/116329602
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。