【pytorch】模型的保存与加载|| Dataloader数据加载器

Pytorch模型保存与加载，并在加载的模型基础上继续训练

系统学习Pytorch笔记三：Pytorch数据读取机制(DataLoader)与图像预处理模块(transforms)

一、只保存参数

1. 保存

一般地，采用一条语句即可保存参数：

torch.save(model.state_dict(), path)

其中model指定义的模型实例变量，如 model=vgg16( ), path是保存参数的路径，如 path=‘./model.pth’ , path=‘./model.tar’, path=‘./model.pkl’, 保存参数的文件一定要有后缀扩展名。

特别地，如果还想保存某一次训练采用的优化器、epochs等信息，可将这些信息组合起来构成一个字典，然后将字典保存起来：

state = {'model': model.state_dict(), 'optimizer': optimizer.state_dict(), 'epoch': epoch}
torch.save(state, path)

2. 加载
针对上述第一种情况，也只需要一句即可加载模型：

model.load_state_dict(torch.load(path))

针对上述第二种以字典形式保存的方法，加载方式如下：

checkpoint = torch.load(path)  # load model
model.load_state_dict(checkpoint['model'])   # load parameters
optimizer.load_state_dict(checkpoint['optimizer'])    # load optimizer
epoch = checkpoint(['epoch'])           # load epoch for training continue

二、保存整个模型

1. 保存

torch.save(model, path)

2. 加载

model = torch.load(path)

三、在训练中pytorch通过Dataloader加载数据

torch.utils.data.DataLoader(): 构建可迭代的数据装载器, 我们在训练的时候，每一个for循环，每一次iteration，就是从DataLoader中获取一个batch_size大小的数据的。

例如：

train_loader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=True)