pytorch框架学习(17)——模型的保存与加载

标签: Pytorch  python  pytorch  深度学习

1. 序列化与反序列化

  • 序列化:将内存中的每一个对象保存到硬盘当中,以二进制序列的形式存储下来
  • 反序列化:将硬盘中存储的二进制数据反序列化的放到内存当中
    在这里插入图片描述

2. 模型保存与加载的两种方式

pytorch当中的序列化与反序列化函数:

  1. torch.save

    • 主要参数:
      • obj:对象
      • f:输出路径
  2. torch.load

    • 主要参数:
      • f:文件路径
      • map_location:指定存放位置,cpu or gpu

有两种保存模型的方法:

  • 方法1:保存整个Module, torch.save(net, path)
  • 方法2:保存模型参数(模型的可学习参数,推荐)
    • state_dict = net.state_dict()
    • torch.save(state_dict, path)

3. 模型断点续训练

在这里插入图片描述
解决意外中断,可继续训练的问题

参数保存:

checkpoint_interval = 5
"""省略了模型实现代码,checkpoint保存参数部分应该在模型训练部分,每个epoch中"""
if (epoch+1) % checkpoint_interval == 0:

    checkpoint = {"model_state_dict": net.state_dict(),
                  "optimizer_state_dict": optimizer.state_dict(),
                  "epoch": epoch}
    path_checkpoint = "./checkpoint_{}_epoch.pkl".format(epoch)
    torch.save(checkpoint, path_checkpoint)

checkpoint加载恢复:
保持原实现代码不变,在模型训练部分之前,加入断电恢复代码,如下所示:

path_checkpoint = "./checkpoint_4_epoch.pkl"
checkpoint = torch.load(path_checkpoint)

net.load_state_dict(checkpoint['model_state_dict'])

optimizer.load_state_dict(checkpoint['optimizer_state_dict'])

start_epoch = checkpoint['epoch']

scheduler.last_epoch = start_epoch
版权声明:本文为aidanmo原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/aidanmo/article/details/104606534