欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

pytorch-保存和加载模型

程序员文章站 2022-07-06 11:04:35
...

简介

pytorch与保存、加载模型有关的常用函数3个:

  • torch.save(): 保存一个序列化的对象到磁盘,使用的是Python的pickle库来实现的。
  • torch.load(): 解序列化一个pickled对象并加载到内存当中。
  • torch.nn.Module.load_state_dict(): 加载一个解序列化的state_dict对象

1、state_dict是什么?

pytorch中所有可学习的参数保存在model.parameters()中。state_dict是一个python中的字典,保存了各层与其参数张量之间的映射。torch.optim对象也有一个state_dict,它包含了optimizerstate,以及一些超参数。
pytorch-保存和加载模型

2、在预测过程中保存和加载模型

2.1仅保存模型参数(推荐存储方式)

# save
torch.save(model.state_dict(), PATH)
# load
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.eval()#切换为测试模式,防止参数更新

注意:

  • PyTorch 的1.6版本修改了 torch.save(),使用了一种新的基于 zipfile 的文件格式。Load 仍然保留以旧格式加载文件的能力。如果出于任何原因希望 torch.save() 使用旧格式,请传递 kwarg _ use _ new _ zipfile _ serialization = False
  • load _ state _ dict ()函数接受一个 dictionary 对象,而不是保存对象的路径。这意味着在将保存的state_ dict 传递给 load _ state _ dict ()函数之前,必须对其进行反序列化。例如,您不能使用 model.load _ state _ dict (PATH)加载。
  • 在保存模型进行inference时,只需保存训练好的模型的学习参数。使用 torch.save ()函数保存模型的 state_dict 将为以后恢复模型提供最大的灵活性,这就是为什么它是保存模型的推荐方法。一个常见的 PyTorch 约定是使用.pt.pth 文件扩展名。请记住,在进行inference之前,必须调用 model.eval ()将 dropout 和批量规范化层设置为测试模式。不这样做将导致不一致的inference结果。

2.2 保存整个模型(不推荐的)

# save
torch.save(model, PATH)
# load 
# Model class must be defined somewhere
model = torch.load(PATH)
model.eval()

3、保存和加载常规检查点(针对测试和恢复训练)

# save
torch.save({
            'epoch': epoch,
            'model_state_dict': model.state_dict(),
            'optimizer_state_dict': optimizer.state_dict(),
            'loss': loss,
            ...
            }, PATH)
# load
model = TheModelClass(*args, **kwargs)
optimizer = TheOptimizerClass(*args, **kwargs)

checkpoint = torch.load(PATH)
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
epoch = checkpoint['epoch']
loss = checkpoint['loss']

model.eval()
# - or -
model.train()

保存

  • 在测试和恢复训练时,保存一个检查点,不仅要存储模型的参数(model.state_dict),还要存储优化器的参数(optimizer.state_dict-其中包含在模型训练时更新的缓冲区和参数
    ),还有中断的epoch,最新记录的训练损失或其他你认为重要的东西。一般这个checkpoint的存储量是单单一个模型的2~3倍。

  • 若要保存多个组件配置,请将它们组织到字典中,并使用 torch.save ()序列化字典。一个常见的 PyTorch 约定是使用.tar 文件扩展名。

加载

  • 首先初始化模型和优化器
  • 之后使用torch,load()加载本地的字典配置
  • 最后根据之前定义的字典结构,轻松获取自己想恢复的数据

4、在一个文件中保存多个模型

# sava
torch.save({
            'modelA_state_dict': modelA.state_dict(),
            'modelB_state_dict': modelB.state_dict(),
            'optimizerA_state_dict': optimizerA.state_dict(),
            'optimizerB_state_dict': optimizerB.state_dict(),
            ...
            }, PATH)

# load
modelA = TheModelAClass(*args, **kwargs)
modelB = TheModelBClass(*args, **kwargs)
optimizerA = TheOptimizerAClass(*args, **kwargs)
optimizerB = TheOptimizerBClass(*args, **kwargs)

checkpoint = torch.load(PATH)
modelA.load_state_dict(checkpoint['modelA_state_dict'])
modelB.load_state_dict(checkpoint['modelB_state_dict'])
optimizerA.load_state_dict(checkpoint['optimizerA_state_dict'])
optimizerB.load_state_dict(checkpoint['optimizerB_state_dict'])

modelA.eval()
modelB.eval()
# - or -
modelA.train()
modelB.train()
  • 此情况可能在GAN,Sequence-to-sequence,或ensemble models中使用
  • 保存方式同上面讲的checkpoints的保存方式类似,且.tar文件扩展名

5、使用一个不同模型的参数来预训练模型

# save
torch.save(modelA.state_dict(), PATH)
# load
modelB = TheModelBClass(*args, **kwargs)
modelB.load_state_dict(torch.load(PATH), strict=False)

加载部分模型是迁移学习或训练新的复杂模型时常见的场景。利用经过训练的参数,即使只有少数是可用的,将有助于热身开始训练过程,并有希望帮助您的模型比从零开始的训练更快地收敛。

无论是从缺少一些键的部分 state_dict 加载,还是在拥有更多键的state_dict加载。可以通过设置参数strict = False来忽略与模型不匹配的键。

如果您希望将参数从一个层加载到另一个层,但有些键不匹配,只需更改要加载的state _ dict 中的参数键的名称,以匹配要加载到的模型中的键。

6、跨设备保存和加载模型

6.1 保存在GPU上,在CPU上加载

# save
torch.save(model.state_dict(), PATH)
# load
device = torch.device('cpu')
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location=device))

6.2保存在 GPU 上,加载在 GPU 上

# save
torch.save(model.state_dict(), PATH)
# load
device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.to(device)
# Make sure to call input = input.to(device) on any input tensors that you feed to the model

6.3保存在CPU上,加载到GPU上

# save
torch.save(model.state_dict(), PATH)
# load
device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location="cuda:0"))  # Choose whatever GPU device number you want
model.to(device)
# Make sure to call input = input.to(device) on any input tensors that you feed to the model

6.4保存torch.nn.DataParallel模型

# save
torch.save(model.module.state_dict(), PATH)

# load
# Load to whatever device you want

torch.nn.DataParallel是一个支持并行 GPU 使用的模型包装器。通过torch.load()中参数map_location 灵活设置想要的设备。