腦地形圖繪制------將各個通道的能量值以地形圖形式繪制

繪制腦地形圖需要兩個文件bp1.txt和topoplotEEG.m文件， 首先打開bp1.txt文檔，將里面的通道重新手動排序為與 當前輸入信號x_sign矩陣中的每列對應的哪一個通道順序一致（不使用的通道有兩種方法①在x_sign矩陣中將不使用通道賦值為0；或者②在bp1.txt中將不使用的通道刪除）

文件：590m.com/f/25127180-494683561-fc536e（訪問密碼：551685）

以下內容無關：

-------------------------------------------分割線---------------------------------------------

一、持久化概述
在 torch 中，以下對象可以持久化到硬盤，并可以通過相應的方法把這些對象持久化到內存中：

Tensor
Variable
nn.Module
Optimizer
上述對象本質上最后都是保存為 Tensor。并且 Tensor 的保存和加載非常簡單，使用 t.save 和 t.load 即可。

在 save/load 時可指定使用的 pickle 模塊，在 load 時還可以把 GPU tensor 映射到 CPU 或者其他 GPU 上。

我們可以通過 t.save(obj, file_name) 保存任意可序列化的對象，然后通過 obj=t.load(file_name) 方法加載保存的數據。

對于 Module 和 Optimizer 對象，建議保存為對應的 state_dict，而不是直接保存整個 Module/Optimizer 對象。Optimizer 對象保存的是參數和動量信息，通過加載之前的動量信息，能夠很有效地減少模型震蕩。

二、tensor 對象的保存和加載
import torch as t

a = t.Tensor(3, 4)
if t.cuda.is_available():
a = a.cuda(1) # 把 a 轉為 GPU1 上的 tensor
t.save(a, ‘a.pth’)

# 加載為 b，存儲于 GPU1 上（因為保存時 tensor 就在 GPU1 上） b = t.load('a.pth')# 加載為 c，存儲于 CPU c = t.load('a.pth', map_location=lambda storage, loc: storage)# 加載為 d，存儲于 GPU0 上 d = t.load('a.pth', map_location={'cuda:1': 'cuda:0'})

三、Module 對象的保存和加載
t.set_default_tensor_type(‘torch.FloatTensor’)
from torchvision.models import AlexNet

model = AlexNet()

module 的 state_dict 是一個字典

model.state_dict().keys()

t.save(model.state_dict(), ‘alexnet.pth’)
model.load_state_dict(t.load(‘alexnet.pth’))

四、Optimizer 對象的保存和加載
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、所有對象集合的保存和加載
all_data = dict(optimizer=optimizer.state_dict(),
model=model.state_dict(),
info=u’模型和優化器的所有參數’)
t.save(all_data, ‘all.pth’)

all_data = t.load(‘all.pth’)
all_data.keys()
dict_keys([‘optimizer’, ‘model’, ‘info’])
六、第七章總結
本章介紹了 torch 的很多工具模塊，主要涉及數據加載、可視化和 GPU 加速相關的內容，合理地使用這些模塊可以極大地提升我們的編碼效率。

總結

以上是生活随笔為你收集整理的EEG脑地形图绘制程序的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。