模型的保存
import torch
import torchvision
from torch import nn
vgg16 = torchvision.models.vgg16(pretrained=False)
# 保存方式1
torch.save(vgg16, "vgg16_method1.pth")
# 保存方式2,模型参数(官方推荐)
# 将vgg16的状态保存成字典形式
torch.save(vgg16.state_dict(), "vgg16_method2.pth")
模型的加载
import torch
import torchvision
from torch import nn
vgg16 = torchvision.models.vgg16(pretrained=False)
# 方式1-》保存方式1,加载模型
model = torch.load("vgg16_method1.pth")
print(model)
# 方式2-》加载模型
# ①字典形式
model = torch.load("vgg16_method2.pth")
print(model)
# ②将字典形式恢复成网络模型
vgg16 = torchvision.models.vgg16(pretrained=False)
# 通过Python字典形式加载网络模型
vgg16.load_state_dict(torch.load("vgg16_method2.pth"))
print(vgg16)
陷阱
模型保存
# 保存方式1 的陷阱
class Peipei(nn.Module):
def __init__(self) -> None:
super(Peipei, self).__init__()
self.conv1 = nn.Conv2d(3, 64, kernel_size=3)
def forward(self, x):
x = self.conv1(x)
return x
peipei = Peipei()
model = torch.save(peipei, "peipei_method1.pth")
print(model)
模型加载: 加载的时候还需要复制网络结构,但不需要创建了
# 陷阱1 加载的时候还需要复制网络结构,但不需要创建了
class Peipei(nn.Module):
def __init__(self) -> None:
super(Peipei, self).__init__()
self.conv1 = nn.Conv2d(3, 64, kernel_size=3)
def forward(self, x):
x = self.conv1(x)
return x
model = torch.load('peipei_method1.pth')
print(model)