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")
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)
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/4846e37257b94742bf9974c700cc6396.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/f0c57296c14c4fcf9bd04dbbc2c6b2e3.png)