保存和加载模型

作者Matthew Inkawhich

译者:片刻

校验:片刻

本文档为有关保存和加载PyTorch模型的各种用例提供​​了解决方案。随意阅读整个文档,或者只是跳到所需用例所需的代码。

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?

内容:

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。

例如:

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.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.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Falseload_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')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。

脚本的总运行时间: (0分钟0.000秒)


Copyright © ibooker.org.cn 2019 all right reserved,由 ApacheCN 团队提供支持该文件修订时间: 2020-01-09 07:13:24

results matching ""

    No results matching ""

    results matching ""

      No results matching ""