《昇思25天学习打卡营第9天|LXS》

保存与加载

• 模型训练完后要进行保存，方便随时加载和进一步训练微调，首先构建一个模型

def network():
    model = nn.SequentialCell(
                nn.Flatten(),
                nn.Dense(28*28, 512),
                nn.ReLU(),
                nn.Dense(512, 512),
                nn.ReLU(),
                nn.Dense(512, 10))
    return model

• 保存模型使用save_checkpoint接口，传入网络和指定的保存路径

model = network()
mindspore.save_checkpoint(model, "model.ckpt")

• 加载模型就使用load_checkpoint

model = network()
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)

• 除了load_checkpoint加载方式以外，MIndspore还提供了云侧与端侧中间统一的方式，export方式

model = network()
inputs = Tensor(np.ones([1, 1, 28, 28]).astype(np.float32))
mindspore.export(model, inputs, file_name="model", file_format="MINDIR")

• 继续往MIndspore中装入模式，可以确定为是Graph静态图模式，需要加载时将midIR放入，即上述的中间方式，即可加载模型

mindspore.set_context(mode=mindspore.GRAPH_MODE)

graph = mindspore.load("model.mindir")
model = nn.GraphCell(graph)
outputs = model(inputs)
print(outputs.shape)

• 保存的模型如下所示，分别为ckpt与mindir