加载两个场景_飞桨框架2.0RC新增模型保存、加载方案，与用户场景完美匹配，更全面、更易用...

点击左上方蓝字关注我们

通过一段时间系统的课程学习，算法攻城狮张同学对于飞桨框架的使用越来越顺手，于是他打算在企业内尝试使用飞桨进行AI产业落地。 但是AI产业落地并不是分秒钟的事情，除了专业技能过硬，熟悉飞桨的使用外，在落地过程中还会遇到很多细节的问题。这不，他就想到了两个棘手的小问题：

• 企业的数据集都比较大，使用这种大规模数据集进行模型训练的耗时会很长，往往需要持续数天甚至更长时间。这种情况下，就需要多次保存模型训练的参数，避免由于训练意外中断而前功尽弃。

• 模型训练至收敛后，需要将模型及参数保存下来，用于后续在服务器或者移动端环境中部署，在推理场景中发挥作用。

那么，如何高效地解决张同学提出的这两个问题呢？飞桨框架2.0RC为开发者提供了全新的动态图模式下的模型保存与加载体系，其中包含两个模型保存与加载的方案，分别适用于上述两个场景。(友情提示：飞桨框架2.0RC版本开始主推动态图模式，仍兼容保留对静态图模式的支持，但不再推荐使用。)

场景一：训练场景模型保存与加载(只需保存和加载模型参数即可)

在训练阶段，开发者仅需要保存和加载模型参数即可。飞桨提供了paddle.save和paddle.load接口用于实现该功能。当保存和加载模型参数时，可使用 paddle.save/load 结合Layer和Optimizer的state_dict()方法实现，这两个接口的关系入下图所示：

• state_dict是保存Layer或者Optimizer参数的键值对，state_dict的key为参数名，value为参数真实的numpy array数值；
• .pdparams为Layer参数文件名的后缀；
• .pdopt为Optimizer参数文件名的后缀。

相关文档获取地址： https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/framework/io/save_cn.html https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/framework/io/load_cn.html 下面举一个简单的线性回归模型示例。

import numpy as npimport paddleimport paddle.nn as nnimport paddle.optimizer as opt
BATCH_SIZE = 16
BATCH_NUM = 4
EPOCH_NUM = 10
IMAGE_SIZE = 784
CLASS_NUM = 10# define a random datasetclass RandomDataset(paddle.io.Dataset):def __init__(self, num_samples):
        self.num_samples = num_samplesdef __getitem__(self, idx):
        image = np.random.random([IMAGE_SIZE]).astype('float32')
        label = np.random.randint(0, CLASS_NUM - 1, (1, )).astype('int64')return image, labeldef __len__(self):return self.num_samplesclass LinearNet(nn.Layer):def __init__(self):
        super(LinearNet, self).__init__()
        self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)def forward(self, x):return self._linear(x)# create network
layer = LinearNet()
loss_fn = nn.CrossEntropyLoss()
adam = opt.Adam(learning_rate=0.001, parameters=layer.parameters())# create data loader
dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
loader = paddle.io.DataLoader(dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    drop_last=True,
num_workers=2)# trainfor epoch_id in range(EPOCH_NUM):for batch_id, (image, label) in enumerate(loader()):
        out = layer(image)
        loss = loss_fn(out, label)
        loss.backward()
        adam.step()
        adam.clear_grad()
        print("Epoch {} batch {}: loss = {}".format(
            epoch_id, batch_id, np.mean(loss.numpy())))

如果想每训练一个epoch就保存一次模型参数，要如何实现呢？此时只需要在每个epoch训练结束后，保存一次Layer和Optimizer的参数即可。

# trainfor epoch_id in range(EPOCH_NUM):for batch_id, (image, label) in enumerate(loader()):out = layer(image)
        loss = loss_fn(out, label)
        loss.backward()
        adam.step()
        adam.clear_grad()
        print("Epoch {} batch {}: loss = {}".format(
            epoch_id, batch_id, np.mean(loss.numpy())))# save state_dict
    paddle.save(layer.state_dict(), "{}/epoch_{}.pdparams".format('checkpoints', epoch_id))
    paddle.save(adam.state_dict(),"{}/epoch_{}.pdopt".format('checkpoints', epoch_id))

执行该训练示例后，保存的结果如下，每个epoch执行完都保存了相应的训练参数。

λ ls checkpoints/
epoch_0.pdopt     epoch_1.pdparams  epoch_3.pdopt     epoch_4.pdparams  epoch_6.pdopt     epoch_7.pdparams  epoch_9.pdopt
epoch_0.pdparams  epoch_2.pdopt     epoch_3.pdparams  epoch_5.pdopt     epoch_6.pdparams  epoch_8.pdopt     epoch_9.pdparams
epoch_1.pdopt     epoch_2.pdparams  epoch_4.pdopt     epoch_5.pdparams  epoch_7.pdopt     epoch_8.pdparams

如果训练意外中断，想要从某个epoch继续训练，或者想要加载某个推理效果更好的epoch的保存结果，可以通过paddle.load接口加载，然后通过set_state_dict接口配置。这里以加载第8个epoch的训练参数为例，只需要在创建网络之后，训练之前，将相应文件加载配置到的Layer和Optimizer中即可。

# create network
layer = LinearNet()
loss_fn = nn.CrossEntropyLoss()
adam = opt.Adam(learning_rate=0.001, parameters=layer.parameters())# load
layer_state_dict = paddle.load("checkpoints/epoch_8.pdparams")
opt_state_dict = paddle.load("checkpoints/epoch_8.pdopt")
layer.set_state_dict(layer_state_dict)
adam.set_state_dict(opt_state_dict)# create data loader
...# train
...

场景二：推理&部署场景的模型保存与加载(需要同时保存推理模型的结构和参数)

在推理&部署场景中，需要同时保存推理模型的结构和参数，此时需要使用 paddle.jit.save和paddle.jit.load 接口实现。 paddle.jit.save接口会自动调用飞桨框架2.0RC推出的动态图转静态图功能，使得用户可以做到使用动态图编程调试，自动转成静态图训练部署。 (小伙伴们应该了解，动态图是即时执行即时得到结果，并不会记录模型的结构信息。动态图在保存推理模型时，需要先将动态图模型转换为静态图写法，编译得到对应的模型结构再保存，飞桨框架2.0RC版本推出的动静转换体系，用于解决这个难题。) 这两个接口的基本关系如下图所示： 当用户使用paddle.jit.save保存Layer对象时，飞桨会自动将用户编写的动态图Layer模型转换为静态图写法，并编译得到模型结构，同时将模型结构与参数保存。paddle.jit.save需要适配飞桨沿用已久的推理模型与参数格式，做到前向完全兼容，因此其保存格式与paddle.save有所区别，具体包括三种文件：保存模型结构的*.pdmodel文件；保存推理用参数的*.pdiparams文件和保存兼容变量信息的*.pdiparams.info文件，这几个文件后缀均为paddle.jit.save保存时默认使用的文件后缀。 仍然接着前面的模型示例追加说明，直接在train实现后调用paddle.jit.save保存推理模型即可。

# save inference modelfrom paddle.static import InputSpec
paddle.jit.save(
    layer=layer,
    path="inference/linear",
    input_spec=[InputSpec(shape=[None, 784], dtype='float32')])

此时，inference目录下的保存结果为：

λ ls inference/
linear.pdiparams  linear.pdiparams.info  linear.pdmodel

这里InputSpec是用于描述推理模型输入特性的对象，包括输入Tensor的shape和dtype。paddle.jit.save会根据input_spec传入的输入描述信息，推理得到整个模型的结构，该场景中input_spec是必须指定的。 另外，在使用paddle.jit.save保存需要注意：确保Layer.forward方法中仅实现推理相关的功能，避免将训练所需的loss计算逻辑写入forward方法。Layer更准确的语义是描述一个具有推理功能的模型对象，输出推理的结果，而loss计算是仅属于模型训练中的概念。将loss计算的实现放到Layer.forward方法中，会使Layer在不同场景下概念有所差别，并且增大Layer使用的复杂性，因此建议保持Layer实现的简洁性。举个例子： 下面代码是不推荐的Layer写法：

class LinearNet(nn.Layer):def __init__(self):super(LinearNet, self).__init__()self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)def forward(self, x, label=None):
        out = self._linear(x)if label:
            loss = nn.functional.cross_entropy(out, label)
            avg_loss = nn.functional.mean(loss)return out, avg_losselse:return out

这才是推荐的Layer写法：

class LinearNet(nn.Layer):def __init__(self):super(LinearNet, self).__init__()self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)def forward(self, x):return self._linear(x)

在模型加载方面，一般由paddle.jit.save保存的推理模型，会通过Paddle inference或者Paddle Lite等高效的推理工具加载并进行线上部署，不会再通过飞桨基础框架加载使用。但出于接口设计一致性的考虑，飞桨框架2.0RC新增了paddle.jit.load接口，也支持了通过飞桨基础框架的接口加载paddle.jit.save保存的推理模型，且加载后可以用于推理，也可以用于继续进行增量训练。

• 加载后进行推理：直接以保存之前的方式使用加载的对象即可，但要注意加载对象的输入需要和保存时指定的input_spec保持一致，示例如下：

# load inference model
loaded_layer = paddle.jit.load("inference/linear")# inference
loaded_layer.eval()
x = paddle.randn([1, IMAGE_SIZE], 'float32')
pred = loaded_layer(x)

• 加载后进行增量训练：由于保存的模型是用于inference的模型，所以需要重新为网络添加loss function和optimizer，示例如下：

# load inference model
loaded_layer = paddle.jit.load("inference/linear")# fine-tune
loaded_layer.train()
dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
loader = paddle.io.DataLoader(dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    drop_last=True,
    num_workers=2)
loss_fn = nn.CrossEntropyLoss()
adam = opt.Adam(learning_rate=0.001, parameters=loaded_layer.parameters())for epoch_id in range(EPOCH_NUM):for batch_id, (image, label) in enumerate(loader()):
        out = loaded_layer(image)
        loss = loss_fn(out, label)
        loss.backward()
        adam.step()
        adam.clear_grad()
        print("Epoch {} batch {}: loss = {}".format(
            epoch_id, batch_id, np.mean(loss.numpy())))

相关文档获取地址： https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/fluid/dygraph/jit/save_cn.html https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/fluid/dygraph/jit/load_cn.html 模型保存和加载是深度学习框架的基础I/O模块，是模型训练与部署的必用接口，整体关系如下图所示： 在最新版本中，相应的模型保存加载体系也有重大更新，在接口功能和易用性方面均有显著提升。除上述功能外，模型保存与加载模块还包含其他诸多易用的功能：

• 以上接口均兼容支持了从飞桨框架1.x的paddle.fluid.io.save_inference_model、 paddle.fluid.save 、 paddle.fluid.io.save_params/save_persistables 等接口保存的结果中加载模型或者参数；相关文档获取地址：https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0rc1/guides/02_paddle2.0_develop/08_model_save_load_cn.html#id15
• 仍然支持直接保存静态图模型，并保留了相关接口;
• 推出了动静一体的高层API，也有相应的保存/加载接口。更多内容，可以查阅飞桨官网→API文档(paddle.Modell.save/load)。

模型保存和加载体系是深度学习框架必不可少的部分，飞桨团队仍然在优化相关接口的质量和易用性，希望能给文中的张同学及广大开发者带来更好的产品体验。如果大家发现模型保存与加载相关接口有BUG、出现覆盖不到的场景等问题，欢迎通过Issue反馈给我们。对于工匠精神的追求，飞桨一直在努力，并非常期待与广大开发者携手并行，共同构建功能强大且易用的开源深度学习框架。 如在使用过程中有问题，可加入官方QQ群进行交流： 1108045677 。 如果您想详细了解更多飞桨的相关内容，请参阅以下文档。 ·飞桨官网地址· https://www.paddlepaddle.org.cn/ ·飞桨开源框架项目地址· GitHub: https://github.com/PaddlePaddle/Paddle  Gitee: https://gitee.com/paddlepaddle/Paddle 微信号 : PaddleOpenSource

飞桨(PaddlePaddle)以百度多年的深度学习技术研究和业务应用为基础，是中国首个开源开放、技术领先、功能完备的产业级深度学习平台，包括飞桨开源平台和飞桨企业版。飞桨开源平台包含核心框架、基础模型库、端到端开发套件与工具组件，持续开源核心能力，为产业、学术、科研创新提供基础底座。飞桨企业版基于飞桨开源平台，针对企业级需求增强了相应特性，包含零门槛AI开发平台EasyDL和全功能AI开发平台BML。EasyDL主要面向中小企业，提供零门槛、预置丰富网络和模型、便捷高效的开发平台；BML是为大型企业提供的功能全面、可灵活定制和被深度集成的开发平台。