0.1.59

PyPI/setup.cfg

@@ -1,7 +1,7 @@
 [metadata]
 # replace with your username:
 name = guan
-version = 0.1.58
+version = 0.1.59
 author = guanjihuan
 author_email = guanjihuan@163.com
 description = An open source python package

PyPI/src/guan.egg-info/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: guan
-Version: 0.1.58
+Version: 0.1.59
 Summary: An open source python package
 Home-page: https://py.guanjihuan.com
 Author: guanjihuan

PyPI/src/guan/machine_learning.py

@@ -1,11 +1,10 @@
 # Module: machine_learning
 import guan
 
-# 全连接神经网络模型（包含一个隐藏层）
+# 全连接神经网络模型（包含一个隐藏层）（模型的类定义成全局的）
 @guan.function_decorator
 def fully_connected_neural_network_with_one_hidden_layer(input_size=1, hidden_size=10, output_size=1, activation='relu'):
     import torch
-    # 如果在函数中定义模型类，尽量定义成全局的，这样可以防止在保存完整模型到文件时，无法访问函数中的模型类。
     global model_class_of_fully_connected_neural_network_with_one_hidden_layer
     class model_class_of_fully_connected_neural_network_with_one_hidden_layer(torch.nn.Module):
         def __init__(self):
@@ -28,7 +27,7 @@ def fully_connected_neural_network_with_one_hidden_layer(input_size=1, hidden_si
     model = model_class_of_fully_connected_neural_network_with_one_hidden_layer()
     return model
 
-# 全连接神经网络模型（包含两个隐藏层）
+# 全连接神经网络模型（包含两个隐藏层）（模型的类定义成全局的）
 @guan.function_decorator
 def fully_connected_neural_network_with_two_hidden_layers(input_size=1, hidden_size_1=10, hidden_size_2=10, output_size=1, activation_1='relu', activation_2='relu'):
     import torch
@@ -67,7 +66,7 @@ def fully_connected_neural_network_with_two_hidden_layers(input_size=1, hidden_s
     model = model_class_of_fully_connected_neural_network_with_two_hidden_layers()
     return model
 
-# 全连接神经网络模型（包含三个隐藏层）
+# 全连接神经网络模型（包含三个隐藏层）（模型的类定义成全局的）
 @guan.function_decorator
 def fully_connected_neural_network_with_three_hidden_layers(input_size=1, hidden_size_1=10, hidden_size_2=10, hidden_size_3=10, output_size=1, activation_1='relu', activation_2='relu', activation_3='relu'):
     import torch
@@ -145,28 +144,28 @@ def train_model(model, x_data, y_data, optimizer='Adam', learning_rate=0.001, cr
                 print(epoch)
     return model, losses
 
-# 保存完整模型到文件
-@guan.function_decorator
-def save_model(model, filename='./model.pth'):
-    import torch
-    torch.save(model, filename)
-
 # 保存模型参数到文件
 @guan.function_decorator
 def save_model_parameters(model, filename='./model_parameters.pth'):
     import torch
     torch.save(model.state_dict(), filename)
 
-# 加载完整模型
+# 保存完整模型到文件（保存时需要模型的类可访问）
 @guan.function_decorator
-def load_model(filename='./model.pth'):
+def save_model(model, filename='./model.pth'):
     import torch
-    model = torch.load(filename)
-    return model
+    torch.save(model, filename)
 
-# 加载模型参数（需要输入模型）
+# 加载模型参数（需要输入模型，加载后，原输入的模型参数也会改变）
 @guan.function_decorator
 def load_model_parameters(model, filename='./model_parameters.pth'):
     import torch
     model.load_state_dict(torch.load(filename))
     return model
+
+# 加载完整模型（不需要输入模型，但加载时需要原定义的模型的类可访问）
+@guan.function_decorator
+def load_model(filename='./model.pth'):
+    import torch
+    model = torch.load(filename)
+    return model