A. PyTorch源碼學習 - （13）模型的保存與載入
PyTorch中模型的保存與載入主要通過torch.save和torch.load兩個核心函數實現。以下是具體細節：
模型的保存：
- 核心函數：torch.save。
- 輔助函數：使用torch._opener，torch._open_zipfile_writer，torch._open_zipfile_writer_file，torch._open_zipfile_writer_buffer等函數操作文件和流，根據文件或內存緩沖區創建流容器進行對象的保存。
- 封裝過程：torch._save封裝了文件的打開和寫入過程，而torch._open_file_like和torch._open_file用於管理文件句柄，torch._open_buffer_writer則封裝了二進制流的寫入。
模型的載入：
- 核心函數：torch.load。
- 實現細節：通過torch._open_zipfile_reader讀取文件，並使用torch._weights_only_unpickler作為定製的反序列化器，確保安全載入模型權重。
- 恢復位置管理：torch._get_restore_location和torch.default_restore_location用於獲取和設置恢復位置，支持在多設備或分布式環境下的模型載入。
python與C++的結合：
- 綁定工具：使用PyBind11實現C++和Python介面的綁定。
- 類型定義：torch/_C/ __init__.pyi用於定義Python中類型信息的模板。
- JIT編譯：torch/csrc/jit/python/init.cpp實現JIT編譯系統，將C++類對象綁定到Python環境，實現高效的動態編譯。
- 管理C++對象：Python負責管理C++對象的生命周期、調用C++方法，以及處理Python層面的邏輯和介面定義。
通過上述機制，PyTorch確保了模型的高效持久化與靈活載入，為深度學習模型的開發與部署提供了堅實的底層支持。
B. Python語言學習（二）：CNN神經網路（CPU與GPU訓練）
本文深入探索PyTorch的CNN神經網路在手寫數字識別中的應用。MNIST數據集，包含了6萬張訓練圖片和1萬張測試圖片，每張圖片為28×28像素的0至9的手寫數字，黑色背景，白色數字。
首先，導入所需程序庫。
接著，下載並載入MNIST數據集。
構建卷積神經網路分為三步：初始化方法`__init__`、前向傳播方法`forward`。
定義損失函數和優化器，隨後進行模型訓練。
模型訓練通過迭代調整參數，以減小損失函數，提升模型性能。
完成訓練後，使用模型進行手寫數字識別。
文章最後介紹GPU訓練方法，包括檢查GPU設備、將模型和數據送至GPU進行訓練和測試。
附上GPU版完整代碼，供讀者參考。
以上內容詳盡介紹了從導入庫、數據載入、模型構建、訓練、測試直至GPU加速訓練的全過程，旨在為讀者提供一個全面的CNN神經網路實踐指南。