昇思25天学习打卡营第8天|xiaoyushao

最新推荐文章于 2024-10-06 20:54:02 发布

yichen_0221

最新推荐文章于 2024-10-06 20:54:02 发布

阅读量247

点赞数 3

文章标签：学习

本文链接：https://blog.csdn.net/yichen_0221/article/details/140639089

版权

今天学习模型的保存与加载。

在训练网络模型的过程中，实际上我们希望保存中间和最后的结果，用于微调（fine-tune）和后续的模型推理与部署，本章节我们将介绍如何保存与加载模型。保存和加载模型包括两部分，保存和加载模型的权重，保存和加载模型。

首先，导入依赖，构建一个神经网络模型。

import numpy as np
import mindspore
from mindspore import nn
from mindspore import Tensor

# 网络构建
def network():
    model = nn.SequentialCell(
                nn.Flatten(),
                nn.Dense(28*28, 512),
                nn.ReLU(),
                nn.Dense(512, 512),
                nn.ReLU(),
                nn.Dense(512, 10))
    return model

一、保存和加载模型权重

1. 保存

保存模型使用save_checkpoint接口，传入网络和指定的保存路径：

# 保存模型
model = network()
mindspore.save_checkpoint(model, "model.ckpt")

运行结果：

2. 加载

要加载模型权重，需要先创建相同模型的实例，然后使用load_checkpoint和load_param_into_net方法加载参数。

# 加载模型权重
model = network()
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)

运行结果：

[]

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。

二、保存和加载模型MindIR

1. 保存

除Checkpoint外，MindSpore提供了云侧（训练）和端侧（推理）统一的中间表示（Intermediate Representation，IR）。可使用export接口直接将模型保存为MindIR。

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

运行结果：

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。

2. 加载

已有的MindIR模型可以方便地通过load接口加载，传入nn.GraphCell即可进行推理。nn.GraphCell仅支持图模式。

mindspore.set_context(mode=mindspore.GRAPH_MODE)

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

运行结果：