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
目录
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:
(1, 10)