pytorch保存和加载数据

三个重要函数

• torch.save：将序列化的对象保存到磁盘。此函数使用Python的pickle实用程序进行序列化。使用此功能可以保存各种对象的模型，张量和字典。
• torch.load：使用pickle的解压功能将解压的目标文件反序列化到内存中。此功能还有助于设备将数据加载到其中（请参阅跨设备保存和加载模型）
• torch.nn.Module.load_state_dict：使用反序列化的state_dict加载模型的参数字典。

什么是state_dict?

在PyTorch中，torch.nn.Module模型的可学习参数（即权重和偏差）包含在模型的参数中（可通过model.parameters（）访问）。state_dict只是一个Python字典对象，它将每个图层映射到其参数张量。请注意，只有具有可学习参数的层（卷积层，线性层等）和已注册的缓冲区（batchnorm的running_mean）才在模型的state_dict中具有条目。优化器对象（torch.optim）也具有state_dict，其中包含有关优化器状态以及所用超参数的信息。

由于state_dict对象是Python词典，因此可以轻松地保存，更新，更改和还原它们，从而为PyTorch模型和优化器增加了很多模块化。

让我们看一下训练分类器教程中使用的简单模型的state_dict。

# Define model
class TheModelClass(nn.Module):
    def __init__(self):
        super(TheModelClass, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# Initialize model
model = TheModelClass()

# Initialize optimizer
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

# Print model's state_dict
print("Model's state_dict:")
for param_tensor in model.state_dict():
    print(param_tensor, "\t", model.state_dict()[param_tensor].size())

# Print optimizer's state_dict
print("Optimizer's state_dict:")
for var_name in optimizer.state_dict():
    print(var_name, "\t", optimizer.state_dict()[var_name])

Output

Model's state_dict:
conv1.weight     torch.Size([6, 3, 5, 5])
conv1.bias   torch.Size([6])
conv2.weight     torch.Size([16, 6, 5, 5])
conv2.bias   torch.Size([16])
fc1.weight   torch.Size([120, 400])
fc1.bias     torch.Size([120])
fc2.weight   torch.Size([84, 120])
fc2.bias     torch.Size([84])
fc3.weight   torch.Size([10, 84])
fc3.bias     torch.Size([10])

Optimizer's state_dict:
state    {}
param_groups     [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [4675713712, 4675713784, 4675714000, 4675714072, 4675714216, 4675714288, 4675714432, 4675714504, 4675714648, 4675714720]}]

保存/加载state_dict（推荐）

save

torch.save(model.state_dict(), PATH)

load

model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.eval()

保存模型进行推理时，仅需要保存经过训练的模型的学习参数。使用torch.save（）函数保存模型的state_dict将为您提供最大的灵活性，以便以后还原模型，这就是为什么推荐使用此方法来保存模型
常见的PyTorch约定是使用.pt或.pth文件扩展名保存模型。
请记住，在运行推理之前，必须调用model.eval（）来将dropout和批处理规范化层设置为评估模式。不这样做将产生不一致的推断结果。

请注意，load_state_dict（）函数采用字典对象，而不是保存对象的路径。这意味着，在将保存的state_dict传递给load_state_dict（）函数之前，必须对其进行反序列化。例如，您不能使用model.load_state_dict（PATH）进行加载。

保存/加载整个模型

Save

torch.save(model, PATH)

load

# Model class must be defined somewhere
model = torch.load(PATH)
model.eval()

此保存/加载过程使用最直观的语法，并且涉及最少的代码。以这种方式保存模型将使用Python的pickle模块保存整个模块。这种方法的缺点是序列化的数据绑定到特定的类，并且在保存模型时使用确切的目录结构。这样做的原因是因为pickle不会保存模型类本身。而是将其保存到包含类的文件的路径，该路径在加载时使用。因此，在其他项目中使用或重构后，您的代码可能会以各种方式中断。

保存和加载用于推理和/或继续训练的常规检查点

Save

torch.save({
            'epoch': epoch,
            'model_state_dict': model.state_dict(),
            'optimizer_state_dict': optimizer.state_dict(),
            'loss': loss,
            ...
            }, PATH)

Load

model = TheModelClass(*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()
# - or -
model.train()

保存用于检查或继续训练的常规检查点时，您必须保存的不只是模型的state_dict。保存优化器的state_dict也很重要，因为它包含随着模型训练而更新的缓冲区和参数。您可能要保存的其他项目是您遗忘的时期，最新记录的训练损失，外部torch.nn.Embedding层等。因此，这样的检查点通常比单独的模型大2到3倍。
要保存多个组件，请将它们组织在字典中，然后使用torch.save（）序列化字典。常见的PyTorch约定是使用.tar文件扩展名保存这些检查点。
要加载项目，请首先初始化模型和优化器，然后使用torch.load（）在本地加载字典。从这里，您只需按期望查询字典即可轻松访问已保存的项目
请记住，在运行推理之前，必须调用model.eval（）来将dropout和批处理规范化层设置为评估模式。不这样做将产生不一致的推断结果。如果您希望恢复训练，请调用model.train（）以确保这些层处于训练模式。

将多个模型保存在一个文件中

Save

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)

Load

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()

保存包含多个torch.nn.Modules的模型（例如GAN，序列到序列模型或模型集合）时，您将采用与保存常规检查点相同的方法。换句话说，保存每个模型的state_dict和相应的优化器的字典。如前所述，您可以保存任何其他可以帮助您恢复培训的项目，只需将它们添加到字典中即可。
一个常见的PyTorch约定是使用.tar文件扩展名保存这些检查点
要加载模型，首先初始化模型和优化器，然后使用torch.load()在本地加载字典。在这里，您可以像您所期望的那样，通过简单地查询字典，轻松地访问已保存的项。
请记住，在运行推断之前，必须调用model.eval()将退出层和批规范化层设置为评估模式。如果不这样做，将产生不一致的推论结果。如果希望恢复训练，调用model.train()将这些层设置为训练模式

跨设备保存和加载模型

Load

device = torch.device('cpu')
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location=device))

在使用GPU训练的CPU上加载模型时，将torch.device（‘cpu’）传递到torch.load（）函数中的map_location参数。在这种情况下，使用map_location参数将张量下面的存储动态重新映射到CPU设备。

device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location="cuda:0"))  # Choose whatever GPU device number you want
model.to(device)
# Make sure to call input = input.to(device) on any input tensors that you feed to the model

在经过训练并保存在CPU上的GPU上加载模型时，请将torch.load（）函数中的map_location参数设置为cuda：device_id。这会将模型加载到给定的GPU设备。接下来，请确保调用model.to（torch.device（‘cuda’））将模型的参数张量转换为CUDA张量。最后，请确保在所有模型输入上使用.to（torch.device（‘cuda’））函数，以为CUDA优化模型准备数据。请注意，调用my_tensor.to（device）会在GPU上返回my_tensor的新副本。它不会覆盖my_tensor。因此，请记住手动覆盖张量：my_tensor = my_tensor.to（torch.device（‘cuda’））。