1. 模型的保存与读取语法
pytorch的模型和参数是分开的,可以分别保存或加载模型和参数。
1.1 保存与加载模型
# 保存模型
torch.save(model, 'model.pth')
# 加载模型
model = torch.load('model.pth')
注意:将模型保存成何种格式文件无所谓(比如pkl,pth等)。
1.2 保存与加载模型参数
# 保存模型参数
torch.save(model.state_dict(), 'model_params.pth')
# 加载模型参数
model.load_state_dict(torch.load('model_params.pth')
1.3 加载预训练模型
resnet18 = models.resnet(pretrained=True)
若 pretrained=False 表示只加载模型,不加载预训练参数,举一个例子:
# 加载模型
resnet18 = models.resnet18(pretrained=False)
# 加载预先下载好的预训练模型参数
resnet18.load_state_dict(torch.load('resnet18-5c106cde.pth'))
2. 案例实战
import torch
import matplotlib.pyplot as plt
# torch.manual_seed(1) # reproducible
# fake data
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # x data (tensor), shape=(100, 1)
y = x.pow(2) + 0.2*torch.rand(x.size()) # noisy y data (tensor), shape=(100, 1)
def save():
# save net1
net1 = torch.nn.Sequential(
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1)
)
optimizer = torch.optim.SGD(net1.parameters(), lr=0.5)
loss_func = torch.nn.MSELoss()
for t in range(100):
prediction = net1(x)
loss = loss_func(prediction, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
# plot result
plt.figure(1, figsize=(10, 3))
plt.subplot(131)
plt.title('Net1')
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
# 2 ways to save the net
torch.save(net1, 'net.pkl') # save entire net
torch.save(net1.state_dict(), 'net_params.pkl') # save only the parameters
def restore_net():
# restore entire net1 to net2
net2 = torch.load('net.pkl')
prediction = net2(x)
# plot result
plt.subplot(132)
plt.title('Net2')
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
def restore_params():
# restore only the parameters in net1 to net3
net3 = torch.nn.Sequential(
torch.nn.Linear(1, 10),
torch.nn.ReLU(),
torch.nn.Linear(10, 1)
)
# copy net1's parameters into net3
net3.load_state_dict(torch.load('net_params.pkl'))
prediction = net3(x)
# plot result
plt.subplot(133)
plt.title('Net3')
plt.scatter(x.data.numpy(), y.data.numpy())
plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)
plt.show()
# save net1
save()
# restore entire net (may slow)
restore_net()
# restore only the net parameters
restore_params()
做以下几点解释:
- 在函数 save() 里定义了一种网络结构 net1,并对模型与参数进行了保存。
- 采用函数 restore_net() 加载模型时,是加载了一个含有训练好参数的新模型 net2,不过这个新模型与旧模型 net1 是一样的。
- 采用函数 restore_params() 加载参数时,需要先定义好模型 net3,并且这个模型需要与旧模型 net1 一样,即与保存参数的网络结构一致,否则不匹配会导致错误。