本博客用来记录常用的torch中的函数
torch.max
output = torch.max(x,dim=1)
-
input输入的是一个tensor
-
dim是max函数索引的维度0/1,0是每列的最大值,1是每行的最大值
-
返回的是两个值:一个是每一行或列最大值的tensor组,另一个是最大值所在的位置(索引)
x = torch.rand(3,5)
# tensor([[0.3168, 0.8239, 0.1350, 0.8047, 0.8741],
# [0.8606, 0.4046, 0.3248, 0.0284, 0.8336],
# [0.3513, 0.4505, 0.7712, 0.2254, 0.2427]])
torch.max(x,0) # 返回值包括每一列的最大值和最大值所在的索引
# torch.return_types.max(
# values=tensor([0.8606, 0.8239, 0.7712, 0.8047, 0.8741]),
# indices=tensor([1, 0, 2, 0, 0]))
torch.max(x,1) # 返回值包括每一行的最大值和最大值所在的索引
# torch.return_types.max(
# values=tensor([0.8741, 0.8606, 0.7712]),
# indices=tensor([4, 0, 2]))
torch.max(x,0)[0] # 返回每一列的最大值
# tensor([0.8606, 0.8239, 0.7712, 0.8047, 0.8741])
torch.max(x,0)[1] # 返回每一列最大值的索引
# tensor([1, 0, 2, 0, 0])
pytorch的模型保存与加载
torch.save
:保存序列化的对象到磁盘,使用了Python
的pickle
进行序列化,模型、张量、所有对象的字典。torch.load
:使用了pickle
的unpacking将pickled的对象反序列化到内存中。torch.nn.Module.load_state_dict
:使用反序列化的state_dict
加载模型的参数字典。
1、保存/加载state_dict{}
# 模型保存
torch.save(model.state_dict(), PATH)
# 模型加载
model = ModelNet(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.eval()
保存模型的推理过程的时候,只需要保存模型训练好的参数,使用torch.save()
保存state_dict
,能够方便模型的加载。因此推荐使用这种方式进行模型保存。
PyTorch 通用模型保存格式为 .pt
和 .pth
文件扩展名形式.
注意,
load_state_dict()
需要传入字典对象,因此需要先反序列化state_dict
再传入load_state_dict()
2、保存/加载整个模型
# 保存
torch.save(model, PATH)
# 加载
model = ModelNet(*args, **kwargs) # 必须预先定义过模型.
model = torch.load(PATH)
model.eval()
这种方式是最直观的语法,包含最少的代码. 其会采用 Python 的pickle 模块保存全部的模型模块.
这种方法的缺点是,保存模型的时候,序列化的数据被绑定到了特定的类和确切的目录。这是因为pickle不保存模型类本身,而是保存这个类的路径,并且在加载的时候会使用。因此,当在其他项目里使用或者重构的时候,加载模型的时候会出错。
3、保存/加载 CHECKPOINT 用于推断或恢复训练
# 保存
torch.save({
'epoch': epoch,
'model_state_dict': model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': loss,
...
}, PATH)
# 加载
model = ModelNet(*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()
# 或
model.train()
在保存用于推理或者继续训练的常规检查点的时候,除了模型的state_dict之外,还必须保存其他参数。保存优化器的state_dict也非常重要,因为它包含了模型在训练时候优化器的缓存和参数。除此之外,还可以保存停止训练时epoch数,最新的模型损失,额外的torch.nn.Embedding
层等。
要保存多个组件,则将它们放到一个字典中,然后使用torch.save()
序列化这个字典。一般来说,使用.tar文件格式来保存这些检查点。
加载各个组件,首先初始化模型和优化器,然后使用torch.load()
加载保存的字典,然后可以直接查询字典中的值来获取保存的组件。
4、保存多个模型到一个文件
# 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)
# 加载
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()
当需要将多个 torch.nn.Modules
组成的模型进行保存时,如 GAN,sequence-to-sequence 模型,模型集成ensembleofmodels,可以采用与保存断点checkpoints模型相同的方法.
换句话说,将每个模型的 state_dict
以及对应的优化器保存为一个字典.
还可以保存任何其它有助于恢复训练的信息项,只需简单的添加其到字典中.