### 恢复 PyTorch DNN 模型的步骤 PyTorch 的模型通常以 `.pt` 或 `.pth` 格式保存，而 `.h5` 文件格式通常是 Keras 或 TensorFlow 使用的存储格式。如果需要从 `.h5` 文件中恢复 PyTorch 模型，通常需要进行以下操作： 1. **模型定义**：首先需要定义一个与原始模型结构一致的 PyTorch 模型类。这可以通过重新实现模型架构来完成。 2. **权重加载**：将 `.h5` 文件中的权重转换为 PyTorch 可识别的格式，并将其加载到模型中。 以下是具体的代码示例和说明： ```python import torch import h5py import numpy as np # 定义与原始模型一致的 PyTorch 模型 class MyModel(torch.nn.Module): def __init__(self): super(MyModel, self).__init__() self.fc1 = torch.nn.Linear(10, 20) self.fc2 = torch.nn.Linear(20, 30) def forward(self, x): x = torch.relu(self.fc1(x)) x = self.fc2(x) return x # 加载 .h5 文件中的权重 def load_h5_weights(model, h5_file_path): with h5py.File(h5_file_path, 'r') as f: for name, param in model.named_parameters(): if name in f.keys(): # 将权重从 numpy 数组转换为 PyTorch 张量 param.data = torch.tensor(np.array(f[name])).float() else: print(f"Warning: Parameter {name} not found in the .h5 file.") # 创建模型实例 model = MyModel() # 加载权重 load_h5_weights(model, "model_weights.h5") # 验证模型是否加载成功 example_input = torch.randn(1, 10) output = model(example_input) print(output) ``` 上述代码中，`MyModel` 是一个简单的全连接网络示例。在实际应用中，需要根据具体模型结构调整模型定义[^4]。 #### 注意事项 - 如果 `.h5` 文件中的层名称与 PyTorch 模型的参数名称不匹配，则需要手动映射权重。 - PyTorch 和 Keras/TensorFlow 的权重存储顺序可能不同（例如通道优先 vs 通道后置），因此可能需要对权重进行转置处理[^5]。 ```python # 对权重进行转置处理 param.data = torch.tensor(np.array(f[name]).T).float() ``` ###