Python 在PyTorch中保存训练有素的模型的最佳方法?
我在寻找其他方法来拯救一个在PyTorch训练过的模特。到目前为止,我已经找到了两种选择Python 在PyTorch中保存训练有素的模型的最佳方法?,python,serialization,deep-learning,pytorch,tensor,Python,Serialization,Deep Learning,Pytorch,Tensor,我在寻找其他方法来拯救一个在PyTorch训练过的模特。到目前为止,我已经找到了两种选择 保存模型和加载模型的步骤 保存经过训练的模型并加载保存的模型 我遇到过这样的情况,即建议使用方法2而不是方法1 我的问题是,为什么选择第二种方法?这仅仅是因为模块有这两个功能,我们被鼓励使用它们吗?我在他们的github repo上找到了,我将把内容粘贴到这里 保存模型的推荐方法 序列化和恢复模型有两种主要方法 第一个(推荐)仅保存和加载模型参数: torch.save(the_model.state_d
保存模型的推荐方法 序列化和恢复模型有两种主要方法 第一个(推荐)仅保存和加载模型参数:
torch.save(the_model.state_dict(), PATH)
随后:
the_model = TheModelClass(*args, **kwargs)
the_model.load_state_dict(torch.load(PATH))
the_model = torch.load(PATH)
第二个选项保存并加载整个模型:
torch.save(the_model, PATH)
随后:
the_model = TheModelClass(*args, **kwargs)
the_model.load_state_dict(torch.load(PATH))
the_model = torch.load(PATH)
但是,在这种情况下,序列化数据绑定到特定的类
并且使用了精确的目录结构,因此当
在其他项目中使用,或者在一些严重的重构之后使用。这取决于您想要做什么 案例#1:保存模型以供自己进行推理:保存模型,恢复模型,然后将模型更改为评估模式。之所以这样做,是因为您通常有
BatchNorm
和Dropout
层,默认情况下,这些层在构建时处于训练模式:
torch.save(model.state_dict(), filepath)
#Later to restore:
model.load_state_dict(torch.load(filepath))
model.eval()
案例#2:保存模型以稍后恢复训练:如果需要继续训练要保存的模型,则需要保存的不仅仅是模型。您还需要保存优化器的状态、时代、分数等。您可以这样做:
state = {
'epoch': epoch,
'state_dict': model.state_dict(),
'optimizer': optimizer.state_dict(),
...
}
torch.save(state, filepath)
要恢复培训,您可以执行以下操作:state=torch.load(filepath)
,然后恢复每个对象的状态,如下所示:
model.load_state_dict(state['state_dict'])
optimizer.load_state_dict(state['optimizer'])
由于您正在恢复训练,在加载时恢复状态后,不要调用model.eval()
案例#3:供无法访问您的代码的其他人使用的模型:
在Tensorflow中,您可以创建一个.pb
文件,该文件定义了模型的体系结构和权重。这非常方便,特别是在使用Tensorflow Service
时。在Pytorch中执行此操作的等效方法为:
torch.save(model, filepath)
# Then later:
model = torch.load(filepath)
这种方法仍然不是防弹的,而且由于pytorch仍在经历许多更改,我不推荐使用这种方法。Python库实现二进制协议,用于序列化和反序列化Python对象
当您导入torch
(或使用PyTorch)时,它将为您导入pickle
,您不需要直接调用pickle.dump()
和pickle.load()
,这是保存和加载对象的方法
实际上,torch.save()
和torch.load()
将为您包装pickle.dump()
和pickle.load()
A陈述
提到的另一个答案值得再多注意几点
Pytork里面有什么?
实际上有两种状态
PyTorch模型是torch.nn.Module
具有model.parameters()
调用以获取可学习的参数(w和b)。
这些可学习的参数一旦随机设置,就会随着时间的推移而更新。
可学习的参数是第一个状态_dict
torch.save(model.state_dict(), filepath)
第二个state\u dict
是优化器state dict。您还记得优化器用于改进我们的可学习参数。但是优化器的状态是固定的。那里没什么可学的
由于state\u dict
对象是Python字典,因此可以轻松地保存、更新、修改和恢复它们,从而为PyTorch模型和优化器添加大量模块化
让我们创建一个超级简单的模型来解释这一点:
import torch
import torch.optim as optim
model = torch.nn.Linear(5, 2)
# Initialize optimizer
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
print("Model's state_dict:")
for param_tensor in model.state_dict():
print(param_tensor, "\t", model.state_dict()[param_tensor].size())
print("Model weight:")
print(model.weight)
print("Model bias:")
print(model.bias)
print("---")
print("Optimizer's state_dict:")
for var_name in optimizer.state_dict():
print(var_name, "\t", optimizer.state_dict()[var_name])
此代码将输出以下内容:
Model's state_dict:
weight torch.Size([2, 5])
bias torch.Size([2])
Model weight:
Parameter containing:
tensor([[ 0.1328, 0.1360, 0.1553, -0.1838, -0.0316],
[ 0.0479, 0.1760, 0.1712, 0.2244, 0.1408]], requires_grad=True)
Model bias:
Parameter containing:
tensor([ 0.4112, -0.0733], requires_grad=True)
---
Optimizer's state_dict:
state {}
param_groups [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [140695321443856, 140695321443928]}]
注意,这是一个最小模型。您可以尝试添加一堆连续数据
model = torch.nn.Sequential(
torch.nn.Linear(D_in, H),
torch.nn.Conv2d(A, B, C)
torch.nn.Linear(H, D_out),
)
请注意,只有具有可学习参数的层(卷积层、线性层等)和已注册缓冲区(batchnorm层)在模型的状态中有条目
不可学习的内容属于优化器对象state\u dict
,它包含有关优化器状态的信息以及所使用的超参数
故事的其余部分是相同的;在推理阶段(这是我们在训练后使用模型的阶段)进行预测;我们确实根据我们学到的参数进行预测。因此,对于推断,我们只需要保存参数model.state\u dict()
以后再使用
model.load\u state\u dict(torch.load(filepath))
model.eval()
注意:不要忘记最后一行model.eval()
这在加载模型后是至关重要的
也不要尝试保存torch.save(model.parameters(),filepath)
。model.parameters()
只是生成器对象
另一方面,torch.save(model,filepath)
保存模型对象本身,但请记住,模型没有优化器的状态。查看@Jadiel de Armas的另一个优秀答案,以保存优化器的状态指令。一个常见的PyTorch约定是使用.pt或.pth文件扩展名保存模型。
保存/加载整个模型
保存:
path = "username/directory/lstmmodelgpu.pth"
torch.save(trainer, path)
加载:
path = "username/directory/lstmmodelgpu.pth"
torch.save(trainer, path)
(必须在某处定义模型类)
如果要保存模型并希望稍后恢复培训:
单个GPU:
保存:
负载:
多个GPU:
拯救
负载:
保存模型的方式取决于将来访问模型的方式。如果可以调用model
类的新实例,那么只需保存/加载模型的权重即可
state = {
'epoch': epoch,
'state_dict': model.module.state_dict(),
'optimizer': optimizer.state_dict(),
}
savepath='checkpoint.t7'
torch.save(state,savepath)
checkpoint = torch.load('checkpoint.t7')
model.load_state_dict(checkpoint['state_dict'])
optimizer.load_state_dict(checkpoint['optimizer'])
epoch = checkpoint['epoch']
#Don't call DataParallel before loading the model otherwise you will get an error
model = nn.DataParallel(model) #ignore the line if you want to load on Single GPU
# Save:
torch.save(old_model, PATH)
# Load:
new_model = torch.load(PATH)