Pytorch 加载和保存模型

目录

保存和加载模型

1.  什么是状态字典：state_dict?

2.保存和加载推理模型

2.1 保存/加载 state_dict （推荐使用）

2.2 保存/加载完整模型

3. 保存和加载 Checkpoint 用于推理/继续训练

4. 在一个文件中保存多个模型

5. 使用在不同模型参数下的热启动模式

6. 通过设备保存/加载模型

6.1 保存到 CPU、加载到 CPU

6.2 保存到 GPU、加载到 GPU

6.3 保存到 CPU，加载到 GPU

6.4 保存 torch.nn.DataParallel 模型

---

 

截取自PyTorch官方教程中文版，这书好像是拼接的，没有页码。

其中一个版本地址：http://www.pytorch123.com/SecondSection/what_is_pytorch/，好像没有我下载的这本全

 

保存和加载模型

    当保存和加载模型时，需要熟悉三个核心功能：

    torch.save ：将序列化对象保存到磁盘。此函数使用Python的 pickle 模块进行序列化。使用此函数可以保存如模型、tensor、                               字典等各种对象。

   torch.load ：使用pickle的 unpickling 功能将pickle对象文件反序列化到内存。此功能还可以有助于设备加载数据。

   torch.nn.Module.load_state_dict ：使用反序列化函数 state_dict 来加载模型的参数字典。

 

 

1. 什么是状态字典：state_dict?

在PyTorch中， torch.nn.Module 模型的可学习参数（即权重和偏差）包含在模型的参数中，（使用 model.parameters() 可以进行访问）。 state_dict 是Python字典对象，它将每一层映射到其参数张量。注意，只有具有可学习参数的层（如卷积层，线性层等）的模型 才具有 state_dict 这一项。目标优化 torch.optim 也有 state_dict 属性，它包含有关优化器的状态信息，以及使用的超参数。

    因为state_dict的对象是Python字典，所以它们可以很容易的保存、更新、修改和恢复，为PyTorch模型和优化器添加了大量模块。

下面通过从简单模型训练一个分类器中来了解一下 state_dict 的使用。

import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim


# 定义模型
class TheModelClass(nn.Module):
    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)
# 打印模型的状态字典
print("Model's state_dict:")
for param_tensor in model.state_dict():
    print(param_tensor, "\t", model.state_dict()[param_tensor].size())
# 打印优化器的状态字典
print("Optimizer's state_dict:")
for var_name in optimizer.state_dict():
    print(var_name, "\t", optimizer.state_dict()[var_name])

运行结果：

 

 

2.保存和加载推理模型

2.1 保存/加载 state_dict （推荐使用）

（1）保存

PATH = 'test.pt'

torch.save(model.state_dict(),  PATH)

 

（2）加载

model = TheModelClass(*args, **kwargs)

model.load_state_dict(torch.load(PATH))

model.eval()

    当保存好模型用来推断的时候，只需要保存模型学习到的参数，使用 torch.save() 函数来保存模型 state_dict ,它会给模型恢复提供 最大的灵活性，这就是为什么要推荐它来保存的原因。

    在 PyTorch 中最常见的模型保存使‘.pt’或者是‘.pth’作为模型文件扩展名。

    请记住，在运行推理之前，务必调用 model.eval() 去设置 dropout 和 batch normalization 层为评估模式。如果不这么做，可能导致 模型推断结果不一致。

    注意：load_state_dict() 函数只接受字典对象，而不是保存对象的路径。这就意味着在你传给load_state_dict() 函数之前，你必须反序列化 你保存的 state_dict 。例如，你无法通过model.load_state_dict(PATH) 来加载模型。

 

2.2 保存/加载完整模型

（1）保存

PATH = 'test.pt'

torch.save(model, PATH)

（2）加载

# 模型类必须在此之前被定义

model = torch.load(PATH)

model.eval()

    在 PyTorch 中最常见的模型保存使用‘.pt’或者是‘.pth’作为模型文件扩展名。

    此部分保存/加载过程使用最直观的语法并涉及最少量的代码。以 Python `pickle 模块的方式来保存模型。这种方法的缺点是序列化数据受 限于某种特殊的类而且需要确切的字典结构。这是因为pickle无法保存模型类本身。相反，它保存包含类的文件的路径，该文件在加载时使用。 因此，当在其他项目使用或者重构之后，您的代码可能会以各种方式中断。

    请记住，在运行推理之前，务必调用 model.eval() 设置 dropout 和 batch normalization 层为评估模式。如果不这么做，可能导致模型推断结果不一致。

 

 

3. 保存和加载 Checkpoint 用于推理/继续训练

（1）保存

PATH = 'test.tar'
torch.save({
    'epoch': epoch,
    'model_state_dict': model.state_dict(),
    'optimizer_state_dict': optimizer.state_dict(),
    'loss': loss,
    ...
}, PATH)

（2）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()
# - or -
model.train()

    要保存多个组件，请在字典中组织它们并使用 torch.save() 来序列化字典。PyTorch 中常见的保存checkpoint 是使用 .tar 文件扩展名。

    当保存成 Checkpoint 的时候，可用于推理或者是继续训练，保存的不仅仅是模型的 state_dict。保存优化器的 state_dict 也很重要, 因为它包含作为模型训练更新的缓冲区和参数。你也许想保存其他项目，比如最新记录的训练损失，外部的 torch.nn.Embedding 层等等。

    要加载项目，首先需要初始化模型和优化器，然后使用 torch.load() 来加载本地字典。这里,你可以非常容易的通过简单查询字典来访问你所保存的项目。

    请记住在运行推理之前，务必调用 model.eval() 去设置 dropout 和 batch normalization 为评估。如果不这样做，有可能得到不一致的推断结果。 如果你想要恢复训练，请调用 model.train() 以确保这些层处于训练模式。

 

 

4. 在一个文件中保存多个模型

（1）保存

PATH = 'test.tar'
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)

（2）加载

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()

    PyTorch 中常见的保存 checkpoint 是使用 .tar 文件扩展名。

    要加载项目，首先需要初始化模型和优化器，然后使用 torch.load() 来加载本地字典。这里，你可以非常容易的通过简单查询字典来访问你所保存的项目。

    请记住在运行推理之前，务必调用 model.eval() 去设置 dropout 和 batch normalization 为评估。如果不这样做，有可能得到不一致的推断结果。 如果你想要恢复训练，请调用 model.train() 以确保这些层处于训练模式。

 

 

5. 使用在不同模型参数下的热启动模式

（1）保存

PATH = 'test.pt'
torch.save(modelA.state_dict(), PATH)

（2）加载

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

    在迁移学习或训练新的复杂模型时，部分加载模型或加载部分模型是常见的情况。利用训练好的参数，有助于热启动训练过程，并希望帮助你的模型比从头开始训练能够更快地收敛。

    无论是从缺少某些键的 state_dict 加载还是从键的数目多于加载模型的 state_dict , 都可以通过在load_state_dict() 函数中将 strict 参数设置为 False 来忽略非匹配键的函数。

    如果要将参数从一个层加载到另一个层，但是某些键不匹配，主要修改正在加载的 state_dict 中的参数键的名称以匹配要在加载到模型中的键即可。

 

 

6. 通过设备保存/加载模型

6.1 保存到 CPU、加载到 CPU

（1）保存

PATH = 'test.pt'
torch.save(model.state_dict(), PATH)

（2）加载

device = torch.device('cpu')

model = TheModelClass(*args, **kwargs)

model.load_state_dict(torch.load(PATH, map_location=device))

    当从CPU上加载模型在GPU上训练时, 将 torch.device('cpu') 传递给 torch.load() 函数中的map_location 参数.在这种情况下，使用 map_location 参数将张量下的存储器动态的重新映射到CPU设备。

 

6.2 保存到 GPU、加载到 GPU

（1）保存

PATH = 'test.pt'
torch.save(model.state_dict(), PATH)

（2）加载

device = torch.device("cuda")

model = TheModelClass(*args, **kwargs)

model.load_state_dict(torch.load(PATH))

model.to(device)

# 确保在你提供给模型的任何输入张量上调用input = input.to(device)

    当在GPU上训练并把模型保存在GPU，只需要使用 model.to(torch.device('cuda')) ，将初始化的 model 转换为 CUDA 优化模型。另外，请 务必在所有模型输入上使用.to(torch.device('cuda')) 函数来为模型准备数据。请注意，调用 my_tensor.to(device)

会在GPU上返回 my_tensor 的副本。 因此，请记住手动覆盖张量： my_tensor=my_tensor.to(torch.device('cuda')) 。

 

6.3 保存到 CPU，加载到 GPU

（1）保存

PATH = 'test.pt'
torch.save(model.state_dict(), PATH)

（2）加载

device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
# Choose whatever GPU device number you want
model.load_state_dict(torch.load(PATH, map_location="cuda:0"))
model.to(device)
# 确保在你提供给模型的任何输入张量上调用input = input.to(device)

    在CPU上训练好并保存的模型加载到GPU时，将 torch.load() 函数中的 map_location 参数设置为 cuda:device_id 。这会将模型加载到 指定的GPU设备。接下来，请务必调用model.to(torch.device('cuda')) 将模型的参数张量转换为 CUDA 张量。最后，确保在所有模型输入上使用 .to(torch.device('cuda')) 函数来为CUDA优化模型。请注意，调用my_tensor.to(device) 会在GPU上返回 my_tensor 的新副本。它不会覆盖 my_tensor 。 因此， 请手动覆盖张量 my_tensor = my_tensor.to(torch.device('cuda')) 。

 

6.4 保存 torch.nn.DataParallel 模型

（1）保存

PATH = 'test.pt'
torch.save(model.state_dict(), PATH)

（2）加载

# 加载任何你想要的设备

  torch.nn.DataParallel 是一个模型封装，支持并行GPU使用。要普通保存 DataParallel 模型,请保存 model.module.state_dict() 。 这样，你就可以非常灵活地以任何方式加载模型到你想要的设备中。