本文是一篇關於如何用Pytorch保存和加載模型的指南。
文章目錄
本文主要涉及到3個函數:
torch.save
: 使用Python的pickle實用程序將對象進行序列化,然後將序列化的對象保存到disk,可以保存各種對象,包括模型、張量和字典等。torch.load
: 使用pickle unpickle工具將pickle的對象文件反序列化爲內存。torch.nn.Module.load_state_dict
: 用反序列化的state_dict來加載模型參數。
1 讀寫tensor
1.1 單個張量
import torch
x = torch.tensor([3.,4.])
torch.save(x, 'x.pt')
x1 = torch.load('x.pt')
print(x1)
輸出:
tensor([3., 4.])
1.2 張量列表和張量詞典
y = torch.ones((4,2))
torch.save([x,y],'xy.pt')
torch.save({'x':x, 'y':y}, 'xy_dict.pt')
xy = torch.load('xy.pt')
xy_dict = torch.load('xy_dict.pt')
print(xy)
print(xy_dict)
輸出:
[tensor([3., 4.]), tensor([[1., 1.],
[1., 1.],
[1., 1.],
[1., 1.]])]
{'x': tensor([3., 4.]), 'y': tensor([[1., 1.],
[1., 1.],
[1., 1.],
[1., 1.]])}
2 保存和加載模型
2.1 state_dict
state_dict是一個從每一個層的名稱映射到這個層的參數Tesnor的字典對象。
注意,只有具有可學習參數的層(卷積層、線性層等)和註冊緩存(batchnorm’s running_mean)纔有state_dict中的條目。優化器(torch.optim
)也有一個state_dict,其中包含關於優化器狀態以及所使用的超參數的信息。
from torch import nn
class MLP(nn.Module):
def __init__(self):
super(MLP, self).__init__()
self.hidden = nn.Linear(3, 2)
self.act = nn.ReLU()
self.output = nn.Linear(2, 1)
def forward(self, x):
a = self.act(self.hidden(x))
return self.output(a)
net = MLP()
print(net.state_dict())
print('\n',net.state_dict()['output.weight'])
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
print(optimizer.state_dict())
輸出:
OrderedDict([('hidden.weight', tensor([[ 0.1493, -0.1645, 0.5165],
[-0.0773, 0.3487, 0.4961]])), ('hidden.bias', tensor([-0.4560, -0.5111])), ('output.weight', tensor([[0.3356, 0.4229]])), ('output.bias', tensor([-0.6374]))])
tensor([[0.3356, 0.4229]])
{'state': {},
'param_groups': [{'lr': 0.001,
'momentum': 0.9,
'dampening': 0,
'weight_decay': 0,
'nesterov': False,
'params': [139788808398168,
139788808397952,
139788808397736,
139788808398096]}]}
2.2 保存和加載
PyTorch中保存和加載訓練模型有兩種常見的方法:
- 僅保存和加載模型參數(state_dict);
- 保存和加載整個模型。
2.2.1 保存和加載state_dict(推薦方式)
torch.save(net.state_dict(), 'net_state_dict.pt')## 後綴名一般寫爲: .pt或.pth
net1 = MLP()
net1.load_state_dict(torch.load('net_state_dict.pt'))
輸出:
<All keys matched successfully>
注意: load_state_dict()
接受一個詞典對象,而不是一個指向對象的路徑。因此你需要先使用torch.load()
來反序列化。比如,你不能直接這麼用model.load_state_dict(PATH)
。
2.2.2 保存和讀寫整個模型
這個就相對來說比較簡單了。
torch.save(net, 'net.pt')
net2 = torch.load('net.pt')
**注意:**以這種方式保存模型將使用Python的pickle模塊保存整個模塊。 這種方法的缺點是序列化的數據被綁定到特定的類,並且在保存模型時使用了確切的詞典結構。 這樣做的原因是因爲pickle不會保存模型類本身。 而是將其保存到包含這個類的文件的路徑,該路徑在加載時使用。 因此,在其他項目中使用或重構後,您的代碼可能會以各種方式中斷。
2.2.3 保存和加載checkpiont
## 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']
保存用於檢查或繼續訓練的checkpiont時,你必須保存的不只是模型的state_dict。 保存優化器的state_dict也很重要,因爲它包含隨着模型訓練而更新的緩衝區和參數。 你可能要保存的其他項目包括你未設置的時間段,最新記錄的訓練損失,外部torch.nn.Embedding
層等。
2.2.4 在一個文件中保存多個模型
#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'])
常見的PyTorch約定是使用.tar
文件擴展名保存這些檢查點。
2.3 使用來自不同模型的參數進行模型熱啓動
這種方法一般用於遷移學習。利用經過訓練的參數,即使只有少數幾個可用的參數,也將有助於熱啓動訓練過程,並希望與從頭開始訓練相比,可以更快地收斂模型。
torch.save(modelA.state_dict(), PATH)
modelB = TheModelBClass(*args, **kwargs)
modelB.load_state_dict(torch.load(PATH), strict=False)
無論是從缺少某些鍵的部分state_dict加載,還是加載比要加載的模型更多的key的state_dict,都可以在load_state_dict()函數中將strict參數設置爲False,以忽略不匹配鍵。
如果你想要將一個層的參數加載到另一個層,但是一些keys不匹配,你只需改變你所加載的state_dict中的名稱即可。
3 跨設備保存和加載模型
3.1 在GPU中保存,在CPU中加載
torch.save(model.state_dict(), PATH)
device = torch.device('cpu')
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location=device))
3.2 在GPU中保存,在GPU中加載
torch.save(model.state_dict(), PATH)
device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.to(device)
3.3 在CPU中保存,在GPU中加載
torch.save(model.state_dict(), PATH)
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)
4 保存torch.nn.DataParallel
的模型
torch.save(model.module.state_dict(), PATH)
# Load to whatever device you want,加載方法使用常規方式即可。
參考鏈接: