保存和加载模型

保存和加载模型#

在本节中，探讨如何通过保存、加载和运行模型预测来持久化模型状态。

from set_env import temp_dir

项目根目录：/media/pc/data/lxw/ai/torch-book

import torch
import torchvision.models as models

保存和加载模型权重#

PyTorch 模型将学习到的参数存储在内部状态字典中，称为 state_dict。这些参数可以通过 torch.save 方法进行持久化存储：

model = models.vgg16(weights='IMAGENET1K_V1')
torch.save(model.state_dict(), temp_dir/'model_weights.pth')

要加载模型权重，首先需要创建与该模型相同的实例，然后通过 load_state_dict() 方法来加载参数。

在下面的代码中，将 weights_only=True 设置为仅在反序列化过程中执行加载权重所需的功能。使用 weights_only=True 被认为是加载权重时的最佳实践。

model = models.vgg16() # we do not specify ``weights``, i.e. create untrained model
model.load_state_dict(torch.load(temp_dir/'model_weights.pth', weights_only=True))
model.eval()

Hide code cell output

 
VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)

备注

在进行推理之前，请确保调用模型的 .eval() 方法，以将 dropout 和 batch normalization 层设置为评估模式。未执行此操作会导致推理结果不一致。

保存和加载具有特定形状的模型#

在加载模型权重时，首先需要实例化模型类，因为该类定义了网络的结构。可能希望将此类的结构与模型一起保存，在这种情况下，可以将 model（而不是 model.state_dict()）传递给保存函数：

torch.save(model, temp_dir/'model.pth')

接下来，可以按照以下示例加载模型。

正如在保存和加载torch.nn.Modules中所描述的，保存state_dict被认为是最佳实践。然而，在下面的例子中，使用weights_only=False，因为这涉及到加载模型，这是 torch.save 的遗留用例。

model = torch.load(temp_dir/'model.pth', weights_only=False)

备注

这种方法在序列化模型时使用了 Python 的 pickle 模块，因此它在加载模型时依赖于实际的类定义必须可用。

相关教程#

目录