读写文件
========

到目前为止，我们讨论了如何处理数据，
以及如何构建、训练和测试深度学习模型。
然而，有时我们希望保存训练的模型，
以备将来在各种环境中使用（比如在部署中进行预测）。
此外，当运行一个耗时较长的训练过程时， 最佳的做法是定期保存中间结果，
以确保在服务器电源被不小心断掉时，我们不会损失几天的计算结果。
因此，现在是时候学习如何加载和存储权重向量和整个模型了。

加载和保存张量
--------------

对于单个张量，我们可以直接调用\ ``load``\ 和\ ``save``\ 函数分别读写它们。
这两个函数都要求我们提供一个名称，\ ``save``\ 要求将要保存的变量作为输入。

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    import mlx.core as mx
    import mlx.nn as nn
    from mlx.utils import tree_flatten
    
    x = mx.arange(4)
    mx.save('x-file', x)

我们现在可以将存储在文件中的数据读回内存。

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    x2 = mx.load('x-file.npy')
    x2




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    array([0, 1, 2, 3], dtype=int32)



我们可以存储一个张量列表，然后把它们读回内存。

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    y = mx.zeros(4)
    mx.save('x-files', mx.array((x, y)))
    x2, y2 = mx.load('x-files.npy')
    (x2, y2)




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    (array([0, 1, 2, 3], dtype=float32), array([0, 0, 0, 0], dtype=float32))



我们甚至可以写入或读取从字符串映射到张量的字典。
当我们要读取或写入模型中的所有权重时，这很方便。

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    mydict = {'x': x, 'y': y}
    mx.savez('mydict.npz', **mydict)
    mydict2 = mx.load('mydict.npz')
    mydict2




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    {'x': array([0, 1, 2, 3], dtype=int32),
     'y': array([0, 0, 0, 0], dtype=float32)}



加载和保存模型参数
------------------

保存单个权重向量（或其他张量）确实有用，
但是如果我们想保存整个模型，并在以后加载它们，
单独保存每个向量则会变得很麻烦。 毕竟，我们可能有数百个参数散布在各处。
因此，深度学习框架提供了内置函数来保存和加载整个网络。
需要注意的一个重要细节是，这将保存模型的参数而不是保存整个模型。
例如，如果我们有一个3层多层感知机，我们需要单独指定架构。
因为模型本身可以包含任意代码，所以模型本身难以序列化。
因此，为了恢复模型，我们需要用代码生成架构， 然后从磁盘加载参数。
让我们从熟悉的多层感知机开始尝试一下。

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    class MLP(nn.Module):
        def __init__(self):
            super().__init__()
            self.hidden = nn.Linear(20, 256)
            self.output = nn.Linear(256, 10)
    
        def __call__(self, x):
            return self.output(nn.relu(self.hidden(x)))
    
    net = MLP()
    X = mx.random.normal(shape=(2, 20))
    Y = net(X)

接下来，我们将模型的参数存储在一个叫做“mlp.params”的文件中。

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    flat_params = tree_flatten(net.parameters())
    mx.savez("mlp-params.npz", **dict(flat_params))

为了恢复模型，我们实例化了原始多层感知机模型的一个备份。
这里我们不需要随机初始化模型参数，而是直接读取文件中存储的参数。

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    clone = MLP()
    clone.load_weights('mlp-params.npz')
    clone.eval()




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    MLP(
      (hidden): Linear(input_dims=20, output_dims=256, bias=True)
      (output): Linear(input_dims=256, output_dims=10, bias=True)
    )



由于两个实例具有相同的模型参数，在输入相同的\ ``X``\ 时，
两个实例的计算结果应该相同。 让我们来验证一下。

.. raw:: latex

   \diilbookstyleinputcell

.. code:: python

    Y_clone = clone(X)
    Y_clone == Y




.. raw:: latex

   \diilbookstyleoutputcell

.. parsed-literal::
    :class: output

    array([[True, True, True, ..., True, True, True],
           [True, True, True, ..., True, True, True]], dtype=bool)



小结
----

-  ``save``\ 和\ ``load``\ 函数可用于张量对象的文件读写。
-  我们可以通过参数字典保存和加载网络的全部参数。
-  保存架构必须在代码中完成，而不是在参数中完成。

练习
----

1. 即使不需要将经过训练的模型部署到不同的设备上，存储模型参数还有什么实际的好处？
2. 假设我们只想复用网络的一部分，以将其合并到不同的网络架构中。比如想在一个新的网络中使用之前网络的前两层，该怎么做？
3. 如何同时保存网络架构和参数？需要对架构加上什么限制？