pytorch 保存和加载模型、以及查看模型结构的方法（入门级，不包括保存优化器、只加载部分参数等进阶方法） |
您所在的位置：网站首页 › python模型保存pkg文件 › pytorch 保存和加载模型、以及查看模型结构的方法（入门级，不包括保存优化器、只加载部分参数等进阶方法） |
pytorch 保存和加载模型、以及查看模型结构的方法（入门级，不包括保存优化器、只加载部分参数等进阶方法）
|
本文已参与「新人创作礼」活动，一起开启掘金创作之路。 一、保存和加载模型保存模型有两种最基本的方式： 1、保存整个网络： torch.save(net, path1) 加载网络：model=torch.load(path1) 2、只保存网络参数：torch.save(net.state_dict(),path2) 加载网络参数：model.load_state_dict(torch.load(path2)) 这种方式是官方推荐的方法，运行速度快，且占空间较小。需要注意的是 net.state_dict() 是将网络参数保存为字典形式（OrderedDict），load_state_dict() 加载的并不是网络参数的pth文件，而是字典。 代码： import torchvision import torch # 加载torchvision中自带的vgg16网络 vgg16 = torchvision.models.vgg16(pretrained=False) # 保存模型 torch.save(vgg16, "vgg16.pth") # 加载模型 model=torch.load("vgg16.pth") # 打印模型 print(model) # 保存模型参数 torch.save(vgg16.state_dict(),"vgg16_para.pth") ################################################## # 不建议这样写，虽然可以运行，但会报错 # 加载模型参数 vgg16_para=torch.load("vgg16_para.pth") # 加载字典 vgg16.load_state_dict(torch.load(vgg16_para)) ################################################## # 应该这样写，不会有问题 # 加载模型，前提是vgg16的模型结构已经定义好了 vgg16.load_state_dict(torch.load("vgg16_para.pth")) model=vgg16 print(model) # 打印模型参数 print(vgg16_para) 二、后缀问题保存模型的后缀有 .pth、.pt、.pkl、.ckpt 等多种格式，这些后缀都可以使用且没有什么区别，保存的模型大小也一样。以下写法没有区别： torch.save(vgg16, "vgg16.pt") torch.save(vgg16,"vgg16.ckpt") torch.save(vgg16,"vgg16.pth") torch.save(vgg16,"vgg16.pkl")且不同后缀保存的文件大小也完全相等：
通过打印模型就可以清晰地看到模型的结构。 打印模型：print(model) 打印模型参数：print(vgg16_para) 有时候无法用 print(model) 查看模型结构，也可以用 model.children() 方法逐层打印模型： for i in model.children(): print(i)两种方法得到的模型结构是一样的。 网络模型： # print(model) VGG( (features): Sequential( (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1): ReLU(inplace=True) (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (3): ReLU(inplace=True) (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (6): ReLU(inplace=True) (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (8): ReLU(inplace=True) (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (11): ReLU(inplace=True) (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (13): ReLU(inplace=True) (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (15): ReLU(inplace=True) (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (18): ReLU(inplace=True) (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (20): ReLU(inplace=True) (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (22): ReLU(inplace=True) (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (25): ReLU(inplace=True) (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (27): ReLU(inplace=True) (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (29): ReLU(inplace=True) (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) ) (avgpool): AdaptiveAvgPool2d(output_size=(7, 7)) (classifier): Sequential( (0): Linear(in_features=25088, out_features=4096, bias=True) (1): ReLU(inplace=True) (2): Dropout(p=0.5, inplace=False) (3): Linear(in_features=4096, out_features=4096, bias=True) (4): ReLU(inplace=True) (5): Dropout(p=0.5, inplace=False) (6): Linear(in_features=4096, out_features=1000, bias=True) ) )参数： 可以看到是以 OrderedDict 格式保存的，数据有很多，图片放不下。 |
【本文地址】
今日新闻 |
推荐新闻 |