Pytorch——模型的保存与加载

最新推荐文章于 2024-08-05 17:08:59 发布
最新推荐文章于 2024-08-05 17:08:59 发布
阅读量1.2k 收藏
点赞数
分类专栏： Python-pytorch 文章标签： pytorch 深度学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42374603/article/details/122678163
版权

1. 方法一(保存模型及参数）

vgg16_false = torchvision.models.vgg16(pretrained=False)##加载初始模型，模型参数还没有训练
torch.save(vgg16_false, "method1.pth")
torch.load("method1.pth")

2. 方法二（仅保存模型参数）

torch.save(vgg16_false.state_dict(), "method2.pth")
torch.load("method2.pth")

注：当保存的是自己建立的模型时，在模型加载时要么将原有模型框架复制过去，要么将原始模型所在py文件全部引入加载模型所在的py文件

吃葡萄不吐葡萄皮~
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PyCharm入门学习笔记（四）模型的使用
shendaiyan的博客
07-27 1329
2）pretrained=True时，它就要去从网络中下载，比如说卷积层对应的参数时多少，池化层对应的参数时多少等。这些参数都是在 ImageNet 数据集中训练好的。1）pretrained=False时，只是加载网络模型，把神经网络的代码加载了进来，其中的参数都是默认的参数，不需要下载。根据输出，可以明显可以看出，测试错误；因为我们用的这个模型就训练了一轮，正确率不高；这里可以看出随着训练的进行loss不断减小。因为训练时间过长，这里只展示测试前几轮。利用已经训练好的模型给它提供输入。
网络模型的保存和读取
m0_51311105的博客
02-17 1291
先新建一个网络模型： import torchvision vgg16 = torchvision.models.vgg16(pretrained=False) pretrained=False意思是该网络模型是初始没有经过训练的。 方式1： 保存数据： import torch torch.save(vgg16, 'vgg16_method1.pth') 这种方式既保存了网络结构也保存了网络中的参数 加载数据： import torch model = torc
二、现有网络模型（torchvision.models.vgg16）的修改与使用
weixin_44987829的博客
02-16 1万+
二、现有网络模型（torchvision.models.vgg16）的修改与使用
torchvision加载预训练模型
m0_47610369的博客
02-28 239
选择使用预训练的权重或者随机初始化的权重通常取决于任务和数据集的特定要求。如果任务的数据集与预训练的数据集相似，使用预训练的权重可能有助于模型更快地学习任务特定的特征。意味着使用预训练的权重，即模型的权重将是在大规模图像数据集上训练过的权重。在这种情况下，PyTorch 将自动下载并加载预训练的权重。意味着不使用预训练的权重，即模型的权重将是随机初始化的，而不是来自在大规模图像数据集上预先训练的权重。以vgg16模型为例。
现有网络模型的使用和修改
深浅卡布星的博客
10-19 1823
pytorch
11、torchvision.model 现有网络模型的使用和修改
weixin_44953928的博客
04-16 5537
文章目录一、VGG（CNN经典网络模型）1、VGG16对vgg16模型进行改动①、模型的使用②- 模型修改⑤、模型保存和读取 一、VGG（CNN经典网络模型） 1、VGG16 torchvision.models.vgg16(pretrained: bool = False, progress: bool = True, **kwargs: Any) pretrained (bool) – If True, returns a model pre-trained on ImageNet(如果为真，则返
pytorch模型的保存、加载和微改
John's Blogs
01-19 831
保存pytorch模型的两种方法 import torch ''' 保存pytorch模型的两种方法 ''' ## 保存整个神经网络的结构信息和模型的参数信息，save的对象是网络net torch.save(model_object, 'net.pth') model = torch.load('net.pth') ## 只保存神经网络的训练模型参数，save的对象是net.state_dict() torch.save(model_object.state_dict(), 'net.pth') mod
pytorch模型的保存与加载注意事项：
qq_39777550的博客
08-17 1701
保存和加载模型： torch.save(net,'./model.pth') #保存整个模型及其参数 net=torch.load('./model.pth') #加载整个模型及其参数 #或者 torch.save(net.state_dict(),'./model-dict.pth')#仅仅保存模型参数 net.load_state_dict(torch.load('./model-dict.pth')) #仅仅加载模型参数(所以需要事先定义一个模型net) net.load_state_dict
机器学习大白话杂谈(3)——Pytorch模型加载问题。
你悄悄的来到了我的博客
10-24 5979
一、模型加载大致分类 Pytorch模型的加载方式支持两种：一种是使用Pytorch自带的模型，另外一种是程序员自己编写的模型。我们慢慢介绍： 一、pytorch官方自带的模型加载        官方自带的模型封装在torchvision.models类中，在使用时，需要先导出 import torchvision.models as models        在这个类中，截至pyt...
【pytorch】模型保存与加载
weixin_44815943的博客
01-27 1230
前言 学习pytorch框架，掌握模型保存与加载是必不可少的环节，本文记录pytorch模型保存与加载的主要工具，和各种场景。   主要工具 torch.save torch.save方法使用python中的pickle模块，保存对象到硬盘文件，注意对象不仅限于模型，还可以保存tensor、字典等其它对象。其签名如下： torch.save(obj, f: Union[str, os.PathLike, BinaryIO], pickle_module=<module 'pickle' f
torchvision.models.vgg16
Vito
06-29 4830
pytorch 自带模型中的一些func model=torchvision.models.vgg16(pretrained=True).features 保存的是fc前面的网络结构， 调用model.weight 可以查看训练好的权重
pytorch 保存模型+加载模型+修改部分层+冻结部分层+删除部分层
qq_33328642的博客
10-27 2万+
pytorch的一些细节操作 本文以普通的CNN为例 1. 实验用的模型 参考博客。 2. 模型代码 原始代码分成两个部分： 第一个是写CNN模型框架的py文件，cnn.py 第二个是主文件，用于下载数据和模型超参数等。work.py cnn.py文件如下： from torch import nn class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.layer1 =
pytorch入门学习：加载模型（torchvision.models）
热门推荐
山上有只羊M
10-18 2万+
前言 PyTorch框架中有一个非常重要且好用的包：torchvision，该包主要由3个子包组成，分别是：torchvision.datasets、torchvision.models、torchvision.transforms。这3个子包的具体介绍可以参考官网：http://pytorch.org/docs/master/torchvision/index.html。具体代码可以参考gith...
PyTorch 之 torchvision.models 使用
梦Dancing的博客
11-02 1万+
PyTorch框架中有一个非常重要且好用的包：torchvision，该包主要由3个子包组成，分别是： torchvision.datasets torchvision.models torchvision.transforms 官网介绍   源码 ----------------------------------------------------------------------...
PyTorch torchvision.models小结
去向前方的博客
12-29 2901
前言 PyTorch框架中有一个非常重要且好用的包：torchvision，该包主要由3个子包组成，分别是： torchvision.datasets torchvision.models torchvision.transforms 笔记 官网介绍 源码 本文介绍 torchvision.models 如何使用。以 vgg16为例子 导入预训练模型： import torchvisi...
pytorch torchvision.models
Threelights的博客
03-20 3233
torchvision.models 模型子包包含以下模型体系结构的定义： 目录 torchvision.models Alexnet VGG ResNet SqueezeNet DenseNet Inception v3 GoogLeNet 可以通过调用其构造函数来构造具有随机权重的模型： import torchvision.models as models resn...
pytorch加载torchvision中预训练好的模型时，更改模型保存地址
tt丫的博客
02-25 2959
入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。 感谢【Pytorch】加载torchvision中预训练好的模型并修改默认下载路径（使用models.__dict__[model_name]()读取） - 灰信网（软件开发博客聚合） 今天我在执行这行代码时，它开始给我把resnet101的预训练模型下载安装在我的C盘里！！！ model = getattr(models, backbone)(pretrained) 可是我的C盘已经要这
pytorch模型保存与加载方法以及使用torch.nn.DataParallel需要注意的问题
cc__cc__的博客
01-21 1万+
一、pytorch保存模型的方法 1.只保存参数 torch.save(model.state_dict(),path) 2.保存整个模型 torch.save(model,path) 二、对应的加载模型的方法 1.只保存参数 model.load_state_dict(torch.load(path)) 该方法在加载的时候需要事先定义好跟原模型一致的模型，并在该模型的实例对象上进行加载 2...
PyTorch深度学习实战（2）——PyTorch快速入门
最新发布
shangjg3的博客
08-05 598
在forward函数中不仅可以使用Tensor支持的任何函数，还可以使用if、for、print、log等Python语法，写法和标准的Python写法一致。PyTorch的简洁设计使得它易于入门，在深入介绍PyTorch之前，本文先介绍一些PyTorch的基础知识，以便读者能够对PyTorch有一个大致的了解，并能够用PyTorch搭建一个简单的神经网络。中最重要的类，它可以看作是一个神经网络的封装，包含神经网络各层的定义以及前向传播（forward）方法，通过。如果需要共享内存，那么可以使用。
pytorch——冻结某层参数
09-06
在PyTorch中，要冻结某层参数，即保持其权重在训练过程中不发生更新。这种操作通常在迁移学习或固定特定的层的场景下使用，以便保留已经学到的知识。 要冻结某层参数，可以通过以下步骤实现： 1. 首先，加载模型并查看模型的结构。通过打印模型就可以看到每一层的名称以及对应的索引。 2. 在训练之前，确定需要冻结的层。可以通过模型的参数名称或索引来定位到具体的层。 3. 使用`requires_grad_()`函数来冻结参数，将需要冻结的层的`requires_grad`属性设置为False。这样，在反向传播过程中，这些参数的梯度就不会进行更新了。 4. 在训练过程中，只对其他未冻结的层进行梯度更新。 下面是一个简单的示例代码，演示如何冻结某层参数： ```python import torch import torch.nn as nn # 加载模型并创建优化器 model = torchvision.models.resnet18(pretrained=True) optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # 查看模型结构 print(model) # 冻结某层参数 # 可以通过模型的named_parameters()函数获取每一层的名称和参数 # 这里以冻结ResNet的第4个卷积层参数为例 for name, param in model.named_parameters(): if 'layer4' in name: # 可根据具体需求来决定冻结哪些层 param.requires_grad_(False) # 训练过程 for inputs, labels in dataloader: outputs = model(inputs) loss = loss_func(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() ``` 通过以上步骤，我们可以实现冻结某层参数的操作。这样，在训练过程中，被冻结的层的参数将不会更新，从而保持其固定的权重。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值