其他分享
首页 > 其他分享> > 动手学深度学习PyTorch之Task6、Task8、Task9、Task10笔记

动手学深度学习PyTorch之Task6、Task8、Task9、Task10笔记

作者：互联网

关于保存和加载模型，有三个核心功能需要熟悉：

  1. torch.save：将序列化的对象保存到磁盘。此函数使用Python的 pickle实用程序进行序列化。使用此功能可以保存各种对象的模型，张量和字典。
  2. torch.load：使用pickle的解腌功能将腌制的目标文件反序列化到内存中。此功能还有助于设备将数据加载到其中（请参阅 跨设备保存和加载模型）。
  3. torch.nn.Module.load_state_dict：使用反序列化的state_dict加载模型的参数字典 。有关state_dict的更多信息，请参阅什么是state_dict？。

文章目录

什么是state_dict？

在PyTorch中，模型的可学习参数（即权重和偏差） torch.nn.Module 包含在模型的参数中 （通过访问model.parameters()）。甲state_dict是一个简单的Python字典对象，每个层映射到其参数张量。请注意，只有具有可学习参数的层（卷积层，线性层等）和已注册的缓冲区（batchnorm的running_mean）才在模型的state_dict中具有条目。优化器对象（torch.optim）还具有state_dict，其中包含有关优化器状态以及所用超参数的信息。

由于 state_dict 对象是Python词典，因此可以轻松地保存，更新，更改和还原它们，从而为PyTorch模型和优化器增加了很多模块化。

示例

让我们从训练分类器 教程中使用的简单模型 看一下state_dict。

# Define model
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

# Initialize model
model = TheModelClass()

# Initialize optimizer
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

# Print model's state_dict
print("Model's state_dict:")
for param_tensor in model.state_dict():
    print(param_tensor, "\t", model.state_dict()[param_tensor].size())

# Print optimizer's 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：

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]}]

推理模型的保存和加载

保存/加载state_dict（推荐）

Save:

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

Load:

model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.eval()

保存模型以进行推理时，仅需要保存训练后的模型的学习参数。使用 torch.save() 函数保存模型的state_dict将为您提供最大的灵活性，以便以后恢复模型，这就是为什么推荐使用此方法来保存模型。

常见的PyTorch约定是使用.pt或 .pth文件扩展名保存模型。

请记住，model.eval()在运行推理之前，必须先调用以将退出和批处理规范化层设置为评估模式。不这样做将产生不一致的推断结果。

Note
请注意，该load_state_dict()函数使用字典对象，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，您无法使用加载 model.load_state_dict(PATH)。

整个模型的保存和加载

Save:

torch.save(model, PATH)

Load:

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

此保存/加载过程使用最直观的语法，并且涉及最少的代码。以这种方式保存模型将使用Python的pickle模块保存整个 模块。这种方法的缺点是序列化的数据绑定到特定的类，并且在保存模型时使用确切的目录结构。这样做的原因是因为pickle不会保存模型类本身。而是将其保存到包含类的文件的路径，该路径在加载时使用。因此，在其他项目中使用或重构后，您的代码可能会以各种方式中断。

常见的PyTorch约定是使用.pt或 .pth文件扩展名保存模型。

请记住，model.eval()在运行推理之前，必须先调用以将退出和批处理规范化层设置为评估模式。不这样做将产生不一致的推断结果。

保存和加载用于推理和/或继续训练的常规检查点

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()

保存用于检查或继续训练的常规检查点时，您必须保存的不仅仅是模型的 state_dict。保存优化器的state_dict也是很重要的，因为它包含随着模型训练而更新的缓冲区和参数。您可能要保存的其他项目包括您未启用的时期，最新记录的训练损失，外部torch.nn.Embedding 图层等。

要保存多个组件，请将它们组织在字典中并用于 torch.save()序列化字典。常见的PyTorch约定是使用.tar文件扩展名保存这些检查点。

要加载项目，请首先初始化模型和优化器，然后使用本地加载字典torch.load()。从这里，您只需按期望查询字典即可轻松访问已保存的项目。

请记住，model.eval()在运行推理之前，必须先调用以将退出和批处理规范化层设置为评估模式。不这样做将产生不一致的推断结果。如果您希望恢复训练，请调用model.train()以确保这些层处于训练模式。

将多个模型保存在一个文件中

Save:

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()

保存由多个模型组成的模型时torch.nn.Modules，例如GAN，序列到序列模型或模型集成，您将采用与保存常规检查点相同的方法。换句话说，保存每个模型的state_dict和相应的优化器的字典。如前所述，您可以保存任何其他可以帮助您恢复培训的项目，只需将它们添加到字典中即可。

常见的PyTorch约定是使用.tar文件扩展名保存这些检查点。

要加载模型，请首先初始化模型和优化器，然后使用本地加载字典torch.load()。从这里，您只需按期望查询字典即可轻松访问已保存的项目。

请记住，model.eval()在运行推理之前，必须先调用以将退出和批处理规范化层设置为评估模式。不这样做将产生不一致的推断结果。如果您希望恢复训练，请调用model.train()将这些图层设置为训练模式。

使用来自不同模型的参数进行热启动模型

Save:

torch.save(modelA.state_dict(), PATH)

Load:

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

在转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方案。利用经过训练的参数，即使只有少数几个可用的参数，也将有助于热启动训练过程，并希望与从头开始训练相比，可以更快地收敛模型。

无论是从缺少某些键的部分state_dict加载，还是要加载比要加载的模型更多的key 的state_dict，都可以 在函数中将strict参数设置为False，load_state_dict()以忽略不匹配的键。

如果要将参数从一层加载到另一层，但是某些键不匹配，只需更改要加载的state_dict中参数键的名称， 以匹配要加载到的模型中的键。

跨设备保存和加载模型

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))

在使用GPU训练的CPU上加载模型时，将其传递 torch.device('cpu')给map_location函数中的 torch.load()参数。在这种情况下，使用map_location参数将张量下面的存储动态地重新映射到CPU设备。

保存在GPU上，在GPU上加载

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

在经过训练并保存在GPU上的GPU上加载模型时，只需使用model.to（torch.device('cuda')将初始化后的模型转换为CUDA优化模型即可。 另外，请确保在所有模型输入上使用.to（torch.device（'cuda'))函数，以为模型准备数据。 请注意，调用my_tensor.to(device)会在GPU上返回my_tensor的新副本。 它不会覆盖my_tensor。因此，请记住手动覆盖张量：my_tensor = my_tensor.to(torch.device('cuda'))。

保存CPU，加载在GPU

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

在经过训练并保存在CPU上的GPU上加载模型时，请将torch.load()函数中的map_location参数设置为cuda：device_id。 这会将模型加载到给定的GPU设备。 接下来，请确保调用model.to(torch.device('cuda'))将模型的参数张量转换为CUDA张量。 最后，请确保在所有模型输入上使用.to(torch.device('cuda'))函数，以为CUDA优化模型准备数据。 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，请记住手动覆盖张量：my_tensor = my_tensor.to(torch.device('cuda'))。

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是支持并行GPU利用率的模型包装器。要以DataParallel一般方式保存模型，请保存 model.module.state_dict()。这样，您便可以灵活地将所需的模型加载到所需的任何设备。

转自【ApacheCN】，侵删。

pzSuen 发布了12 篇原创文章 · 获赞 9 · 访问量 1万+ 私信 关注

标签：Task6,Task8,Task9,模型,torch,state,dict,model,加载
来源： https://blog.csdn.net/chongchong247619000/article/details/104525470