|
1 需要掌握3個(gè)重要的函數(shù)
1) torch.save： 將一個(gè)序列化的對象保存到磁盤。這個(gè)函數(shù)使用 Python 的 pickle 工具進(jìn)行序列化。模型 (model)、張量 (tensor) 和各種對象的字典 (dict) 都可以用這個(gè)函數(shù)保存。
2) torch.load： 將 pickled 對象文件反序列化到內(nèi)存，也便于將數(shù)據(jù)加載到設(shè)備中。
3) torch.nn.Module.load_state_dict()： 加載模型的參數(shù)。
2 state_dict
2.1 state_dict 介紹
PyTorch 中，torch.nn.Module里面的可學(xué)習(xí)的參數(shù) (weights 和 biases) 都放在model.parameters()里面。而 state_dict 是一個(gè) Python dictionary object，將每一層映射到它的 parameter tensor 上。注意：只有含有可學(xué)習(xí)參數(shù)的層 (convolutional layers, linear layers)，或者含有 registered buffers 的層 (batchnorm's running_mean) 才有 state_dict。優(yōu)化器的對象 (torch.optim) 也有 state_dict，存儲(chǔ)了優(yōu)化器的狀態(tài)和它的超參數(shù)。
因?yàn)?state_dict 是一個(gè) Python dictionary object，所以保存，加載，更新它比較容易。
下面我們通過一個(gè)例子直觀感受下 state_dict 的用法：
# 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])
輸出：
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]}]
2.2 保存和加載 state_dict (已經(jīng)訓(xùn)練完，無需繼續(xù)訓(xùn)練)
保存：
torch.save(model.state_dict(), PATH)
加載：
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.eval()
一般保存為.pt或.pth 格式的文件。
注意：
可以使用model.eval()將 dropout 和 batch normalization 層設(shè)置成 evaluation 模式。
load_state_dict()函數(shù)需要一個(gè) dict 類型的輸入，而不是保存模型的 PATH。所以這樣 model.load_state_dict(PATH)是錯(cuò)誤的，而應(yīng)該model.load_state_dict(torch.load(PATH))。
如果你想保存驗(yàn)證機(jī)上表現(xiàn)最好的模型，那么這樣best_model_state=model.state_dict()是錯(cuò)誤的。因?yàn)檫@屬于淺復(fù)制，也就是說此時(shí)這個(gè) best_model_state 會(huì)隨著后續(xù)的訓(xùn)練過程而不斷被更新，最后保存的其實(shí)是個(gè) overfit 的模型。所以正確的做法應(yīng)該是best_model_state=deepcopy(model.state_dict())。
2.3 保存和加載整個(gè)模型 (已經(jīng)訓(xùn)練完，無需繼續(xù)訓(xùn)練)
保存：
torch.save(model, PATH)
加載：
# Model class must be defined somewhere
model = torch.load(PATH)
model.eval()
一般保存為.pt或.pth格式的文件。
注意：
可以使用model.eval()將 dropout 和 batch normalization 層設(shè)置成 evaluation 模式。
2.4 保存和加載 state_dict (沒有訓(xùn)練完，還會(huì)繼續(xù)訓(xùn)練)
保存：
torch.save({
'epoch': epoch,
'model_state_dict': model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': loss,
...
}, PATH)
與2.2的不同是除了保存 model_state_dict 之外，還需要保存：optimizer_state_dict，epoch 和 loss，因?yàn)槔^續(xù)訓(xùn)練時(shí)要知道優(yōu)化器的狀態(tài)，epoch 等等。
加載：
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()
與2.2的不同是除了加載 model_state_dict 之外，還需要加載：optimizer_state_dict，epoch 和 loss。
2.5 把多個(gè)模型存進(jìn)一個(gè)文件
保存：
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)
把模型 A 和 B 的 state_dict 和 optimizer 都存進(jìn)一個(gè)文件中。
加載：
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()
2.6 使用其他模型的參數(shù)暖啟動(dòng)自己的模型
有時(shí)候訓(xùn)練一個(gè)新的復(fù)雜模型時(shí)，需要加載它的一部分預(yù)訓(xùn)練的權(quán)重。即使只有幾個(gè)可用的參數(shù)，也會(huì)有助于 warmstart 訓(xùn)練過程，幫助模型更快達(dá)到收斂。
如果手里有的這個(gè) state_dict 缺乏一些 keys，或者多了一些 keys，只要設(shè)置strict參數(shù)為 False，就能夠把 state_dict 能夠匹配的 keys 加載進(jìn)去，而忽略掉那些 non-matching keys。
保存模型 A 的 state_dict ：
torch.save(modelA.state_dict(), PATH)
加載到模型 B：
modelB = TheModelBClass(*args, **kwargs)
modelB.load_state_dict(torch.load(PATH), strict=False)
2.7 保存在 GPU, 加載到 CPU
保存：
torch.save(model.state_dict(), PATH)
加載：
device = torch.device('cpu')
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location=device))
這種情況 model.state_dict() 保存之后在 GPU，直接 torch.load(PATH) 會(huì)加載進(jìn) GPU 中。所以若想加載到 CPU 中，需要加 map_location=torch.device('cpu')。
2.8 保存在 GPU, 加載到 GPU
保存：
torch.save(model.state_dict(), PATH)
加載：
map_location="cuda:0"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
這種情況 model.state_dict() 保存之后在 GPU，直接 torch.load(PATH) 會(huì)加載進(jìn) GPU 中。所以若想加載到 GPU 中，不需要加 map_location=device。因?yàn)樽詈笠虞d到 GPU 里面，model 是重新初始化的 (在 CPU 里面)，所以要 model.to(device)。
2.9 保存在 CPU, 加載到 GPU
保存：
torch.save(model.state_dict(), PATH)
加載：
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
這種情況 model.state_dict() 保存之后在 CPU，直接 torch.load(PATH) 會(huì)加載進(jìn) CPU 中。所以若想加載到 GPU 中，需要加 map_location="cuda:0" 。因?yàn)樽詈笠虞d到 GPU 里面，model 是重新初始化的 (在 CPU 里面)，所以要 model.to(device)。
 |
