pytorch模型的保存和加载、checkpoint

您所在的位置：网站首页 › save是什么意思译 › pytorch模型的保存和加载、checkpoint

pytorch模型的保存和加载、checkpoint

2023-08-16 12:09| 来源: 网络整理| 查看: 265

其实之前笔者写代码的时候用到模型的保存和加载，需要用的时候就去度娘搜一下大致代码，现在有时间就来整理下整个pytorch模型的保存和加载，开始学习~

pytorch的模型和参数是分开的，可以分别保存或加载模型和参数。所以pytorch的保存和加载对应存在两种方式：

1. 直接保存加载模型

（1）保存和加载整个模型

# 保存模型 torch.save(model, 'model.pth\pkl\pt') #一般形式torch.save(net, PATH) # 加载模型 model = torch.load('model.pth\pkl\pt') #一般形式为model_dict=torch.load(PATH)

（2）仅保存和加载模型参数(推荐使用,需要提前手动构建模型) 速度快，占空间少

# 保存模型参数 torch.save(model.state_dict(), 'model.pth\pkl\pt') #一般形式为torch.save(net.state_dict(),PATH) # 加载模型参数 model.load_state_dict(torch.load('model.pth\pkl\pt') #一般形式为model_dict=model.load_state_dict(torch.load(PATH))

state_dict（）是一个Python字典，将每一层映射成它的参数张量。注意只有带有可学习参数的层（卷积层、全连接层等），以及注册的缓存（batchnorm的运行平均值）在state_dict 中才有记录。state_dict同样包含优化器对象，存储了优化器的状态，所使用到的超参数。然而，在实验中往往需要保存更多的信息，比如优化器的参数，那么可以采取下面的方法保存：

torch.save({'epoch': epochID + 1, 'state_dict': model.state_dict(), 'best_loss': lossMIN, 'optimizer': optimizer.state_dict(),'alpha': loss.alpha, 'gamma': loss.gamma}, checkpoint_path + '/m-' + launchTimestamp + '-' + str("%.4f" % lossMIN) + '.pth.tar')

如下一个完整的使用model.state_dict()和optimizer.state_dict()例子：

# 定义模型 class TheModelClass(nn.Module): #定义一个神经网络模型 TheModelClass def __init__(self): super(TheModelClass, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.pool = nn.MaxPool2d(2, 2) self.conv2 = nn.Conv2d(6, 16, 5) self.fc1 = nn.Linear(16 * 5 * 5, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = x.view(-1, 16 * 5 * 5) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x # 初始化模型 model = TheModelClass() # 初始化优化器 optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 打印模型的 state_dict print("Model's state_dict:") for param_tensor in model.state_dict(): # param_tensor 为参数名称 print(param_tensor, "\t", model.state_dict()[param_tensor].size()) # 打印优化器的 state_dict print("Optimizer's state_dict:") for var_name in optimizer.state_dict(): print(var_name, "\t", optimizer.state_dict()[var_name])

输出结果：

Model's state_dict: conv1.weight torch.Size([6, 3, 5, 5]) conv1.bias torch.Size([6]) conv2.weight torch.Size([16, 6, 5, 5]) conv2.bias torch.Size([16]) fc1.weight torch.Size([120, 400]) fc1.bias torch.Size([120]) fc2.weight torch.Size([84, 120]) fc2.bias torch.Size([84]) fc3.weight torch.Size([10, 84]) fc3.bias torch.Size([10]) Optimizer's state_dict: state {} param_groups [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [4675713712, 4675713784, 4675714000, 4675714072, 4675714216, 4675714288, 4675714432, 4675714504, 4675714648, 4675714720]}]

（3）load提供了很多重载的功能，其可以把在GPU上训练的权重加载到CPU上跑

torch.load('tensors.pt') # 强制所有GPU张量加载到CPU中 torch.load('tensors.pt', map_location=lambda storage, loc: storage) #或者model.load_state_dict(torch.load('model.pth', map_location='cpu')) # 把所有的张量加载到GPU 1中 torch.load('tensors.pt', map_location=lambda storage, loc: storage.cuda(1)) # 把张量从GPU 1 移动到 GPU 0 torch.load('tensors.pt', map_location={'cuda:1':'cuda:0'})

上述代码只有在模型在一个GPU上训练时才起作用。如果我在多个GPU上训练模型并且保存它，然后尝试在CPU上加载，会得到错误：KeyError: ‘unexpected key “module.conv1.weight” in state_dict’ 如何解决？因为此时已经使用模型保存了模型nn.DataParallel，该模型将模型存储在该模型中module，而现在您正试图加载模型DataParallel。您可以nn.DataParallel在网络中暂时添加一个加载目的，也可以加载权重文件，创建一个没有module前缀的新的有序字典，然后加载它。看第（4）点

（4）通过DataParalle使用多GPU时的保存和加载

odel=DataParalle(model) #保存参数 torch.save(model.module.state_dict(), 'model.pth')

由此看出多个GPU时多了一个该模型中module，加载再cpu时，创建一个没有module前缀的新的有序字典，然后加载它。补充：一般来说，PyTorch的模型以.pt或者.pth文件格式保存。

2. 保存加载用于推理的常规Checkpoint/或继续训练**

checkpoint检查点：不仅保存模型的参数，优化器参数，还有loss，epoch等（相当于一个保存模型的文件夹）

if (epoch+1) % checkpoint_interval == 0: checkpoint = {"model_state_dict": net.state_dict(), "optimizer_state_dict": optimizer.state_dict(), "epoch": epoch} path_checkpoint = "./checkpoint_{}_epoch.pkl".format(epoch) torch.save(checkpoint, path_checkpoint) #或者 #保存 torch.save({ 'epoch': epoch, 'model_state_dict': model.state_dict(), 'optimizer_state_dict': optimizer.state_dict(), 'loss': loss, ... }, PATH) #加载 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() # - 或者 - model.train()

注意：在保存用于推理或者继续训练的常规检查点的时候，除了模型的state_dict之外，还必须保存其他参数。保存优化器的state_dict也非常重要，因为它包含了模型在训练时候优化器的缓存和参数。除此之外，还可以保存停止训练时epoch数，最新的模型损失，额外的torch.nn.Embedding层等。

要保存多个组件，则将它们放到一个字典中，然后使用torch.save()序列化这个字典。一般来说，使用.tar文件格式来保存这些检查点。加载各个组件，首先初始化模型和优化器，然后使用torch.load()加载保存的字典，然后可以直接查询字典中的值来获取保存的组件。同样，评估模型的时候一定不要忘了调用model.eval()。是不是很简单！！参考： PyTorch模型保存与加载主要参考 PyTorch 13.模型保存与加载，checkpoint写的很详细，三者结合 Pytorch 保存模型与加载模型添加了冻结部分层的知识 pytorch模型的保存和加载大略看看

【本文地址】

pytorch模型的保存和加载、checkpoint

pytorch模型的保存和加载、checkpoint

今日新闻

推荐新闻