昇思25天学习打卡营第8天|模型权重保存与加载

打卡

目录

打卡

模型的两种保存形式

Checkpoint

中间表示IR

模型保存与加载

模型权重保存-例1

模型权重加载-例1

模型权重保存-例2

模型权重加载-例2

模型权重文件的空间占用计算-例

---

模型的两种保存形式

Checkpoint

权重参数文件

中间表示IR

中间表示（Intermediate Representation，IR）是程序编译过程中介于源语言和目标语言之间的程序表示。MindIR是一种基于图表示的函数式IR，其最核心的目的是服务于自动微分变换。

在图模式set_context(mode=GRAPH_MODE)下运行用MindSpore编写的模型时，若配置中设置了set_context(save_graphs=1)，运行时会输出一些图编译过程中生成的一些中间文件，我们称为IR文件。

• ir后缀结尾的IR文件：一种比较直观易懂的以文本格式描述模型结构的文件，可以直接用文本编辑软件查看。

• dot后缀结尾的IR文件：描述了不同节点间的拓扑关系，可以用graphviz将此文件作为输入生成图片，方便用户直观地查看模型结构。对于算子比较多的模型，推荐使用可视化组件MindSpore Insight对计算图进行可视化。

模型保存与加载

保存流程：

• 定义模型网络
• 选择损失函数、优化器等
• 训练模型、更新模型权重参数
• 选择1：保存模型权重参数Checkpoint到本地
• 选择2：保存中间表示IR到本地

加载流程：

• 定义模型网络
• 选择1：从本地加载模型权重参数Checkpoint
• 选择2：保存中间表示IR到本地

模型权重保存-例1

model = network()
mindspore.save_checkpoint( 
       model,         ## 待保存的对象。数据类型可为 mindspore.nn.Cell 、list或dict。
       "model.ckpt"   ## 模型权重保存路径
     )

模型权重加载-例1

model = network()
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(
                                    model, 
                                    param_dict
                                  )
print(param_not_load)  ## param_not_load是未被加载的参数列表，为空时代表所有参数均加载成功。

模型权重保存-例2

MindIR同时保存了Checkpoint和模型结构，因此需要定义输入Tensor来获取输入shape。

model = network()
inputs = Tensor(np.ones([1, 1, 28, 28]).astype(np.float32))
mindspore.export(model, 
                inputs, 
                file_name="model", 
                file_format="MINDIR"
                )

模型权重加载-例2

mindspore.set_context(mode=mindspore.GRAPH_MODE)

graph = mindspore.load("model.mindir")
model = nn.GraphCell(graph)
outputs = model(inputs)
print(outputs.shape)

模型权重文件的空间占用计算-例

• 计算方式：计算模型参数个数；按照每个参数占用的字节数计算所有参数的字节占用；转换字节占用单位为MB或GB等。
• 对比：查看实际保存的大小，与计算预期占用字节数做对比。

例子如下：可以看到，计算与预期基本一致。MindIR同时保存了Checkpoint和模型结构，参数文件会更大一些。