深入解析torch.load中的【map_location】参数

深入解析torch.load中的map_location参数

🌵文章目录🌵

🌳引言🌳
🌳map_location参数详解🌳
- map_location参数的数据类型
- map_location参数的使用场景
🌳代码实战(详细注释)🌳
🌳参考文档🌳
🌳结尾🌳

🌳引言🌳

在PyTorch中，torch.load()函数是用于加载保存模型或张量数据的重要工具。当我们训练好一个深度学习模型后，通常需要将模型的参数（或称为状态字典，state_dict）保存下来，以便后续进行模型评估、继续训练或部署到其他环境中。在加载这些保存的数据时，map_location参数为我们提供了极大的灵活性，以决定这些数据应该被加载到哪个设备上 。本文将详细解析map_location参数的功能和使用方法，并通过实战案例来展示其在不同场景下的应用。

🌳map_location参数详解🌳

map_location参数在torch.load()函数中扮演着至关重要的角色。它决定了从保存的文件中加载数据时应将它们映射到哪个设备上 。在PyTorch中，设备可以是CPU或GPU，而GPU可以有多个，每个都有其独立的索引。map_location的灵活使用能够让我们轻松地在不同设备之间迁移模型，从而充分利用不同设备的计算优势。

map_location参数的数据类型

map_location参数的数据类型可以是：

参数类型	描述	示例
字符串（str）	预定义的设备字符串，指定目标设备。	1. `'cpu'`：加载到CPU上； 2. `'cuda:X'`：加载到索引为X的GPU上。
torch.device对象	一个表示目标设备的`torch.device`对象。	1.`torch.device('cpu')`：加载到CPU上； 2. `torch.device('cuda:1')`：加载到索引为1的GPU上。
可调用对象（callable）	一个接收存储路径并返回新位置的函数。	`lambda storage, loc: storage.cuda(1)`：将每个存储对象移动到索引为1的GPU上。
字典（dict）	一个将存储路径映射到新位置的字典。	`{'cuda:1':'cuda:0'}`：将原本在GPU 1上的张量加载到GPU 0上。

map_location参数的使用场景

CPU加载 ：当你想在CPU上加载模型时，可以设置map_location='cpu'。这适用于那些不需要GPU加速的推理任务，或者在没有GPU的环境中部署模型。
指定GPU加载 ：如果你有多个GPU，并且想将模型加载到特定的GPU上，可以使用'cuda:X'格式的字符串，其中X是GPU的索引。这在多GPU环境中非常有用，可以确保模型加载到指定的设备上。
自动选择GPU ：如果你只想在GPU上加载模型，但不关心具体是哪一个GPU，可以设置map_location=torch.device('cuda')。这会自动选择第一个可用的GPU来加载模型。
保持原始设备 ：如果你想保持模型在加载时的原始设备（即如果模型原先是在GPU上训练的，就仍然在GPU上加载；如果是在CPU上，就在CPU上加载），可以使用map_location=None或map_location=torch.device('cpu')（对于CPU模型）和map_location=torch.device('cuda')（对于GPU模型）。
自定义映射逻辑：通过传递一个可调用对象，你可以实现更复杂的映射逻辑。例如，你可以编写一个函数，根据存储路径或模型结构来决定将模型加载到哪个设备上。这在需要根据特定条件动态选择加载设备时非常有用。

🌳代码实战(详细注释)🌳

下面将通过几个实战案例来展示map_location参数在不同场景下的应用。

案例1：从文件加载张量到CPU

python 复制代码

# 案例1：从文件加载张量到CPU
# 使用torch.load()函数加载tensors.pt文件中的所有张量到CPU上
tensors = torch.load('tensors.pt')

案例2：指定设备加载张量

python 复制代码

# 案例2：指定设备加载张量
# 使用torch.load()函数并指定map_location参数为CPU设备，加载tensors.pt文件中的所有张量到CPU上
tensors_on_cpu = torch.load('tensors.pt', map_location=torch.device('cpu'))

案例3：使用匿名函数指定加载位置

python 复制代码

# 案例3：使用函数指定加载位置
# 使用torch.load()函数和map_location参数为一个lambda函数，该函数不做任何改变，保持张量原始位置（通常是CPU）
tensors_original_location = torch.load('tensors.pt', map_location=lambda storage, loc: storage)

案例4：将张量加载到指定GPU

python 复制代码

# 案例4：将张量加载到指定GPU
# 使用torch.load()函数和map_location参数为一个lambda函数，该函数将张量移动到索引为1的GPU上
tensors_on_gpu1 = torch.load('tensors.pt', map_location=lambda storage, loc: storage.cuda(1))

案例5：张量从一个GPU映射到另一个GPU

python 复制代码

# 案例5：张量从一个GPU映射到另一个GPU
# 使用torch.load()函数和map_location参数为一个字典，将原本在GPU 1上的张量映射到GPU 0上
tensors_mapped = torch.load('tensors.pt', map_location={'cuda:1':'cuda:0'})

案例6：从io.BytesIO对象加载张量

python 复制代码

# 案例6：从io.BytesIO对象加载张量
# 打开tensor.pt文件并读取内容到BytesIO缓冲区
with open('tensor.pt', 'rb') as f:
    buffer = io.BytesIO(f.read())
    
# 使用torch.load()函数从BytesIO缓冲区加载张量
tensors_from_buffer = torch.load(buffer)

案例7：使用ASCII编码加载模块

python 复制代码

# 案例7：使用ASCII编码加载模块
# 使用torch.load()函数和encoding参数为'ascii'，加载module.pt文件中的模块（如神经网络模型）
model = torch.load('module.pt', encoding='ascii')

这些案例代码和注释展示了如何使用torch.load()函数的不同map_location参数和编码设置来加载张量和模型。这些设置对于控制数据加载的位置和格式非常重要，特别是在跨设备或跨平台加载数据时。

🌳参考文档🌳

[1] PyTorch官方文档

🌳结尾🌳

亲爱的读者，首先感谢您抽出宝贵的时间来阅读我们的博客。我们真诚地欢迎您留下评论和意见💬。

俗话说，当局者迷，旁观者清。您的客观视角对于我们发现博文的不足、提升内容质量起着不可替代的作用。

如果博文给您带来了些许帮助，那么，希望您能为我们点个免费的赞👍👍/收藏👇👇，您的支持和鼓励👏👏是我们持续创作✍️✍️的动力。

我们会持续努力创作✍️✍️，并不断优化博文质量👨‍💻👨‍💻，只为给您带来更佳的阅读体验。

如果您有任何疑问或建议，请随时在评论区留言，我们将竭诚为你解答~

愿我们共同成长🌱🌳，共享智慧的果实🍎🍏！

万分感谢🙏🙏您的点赞 👍👍、收藏 ⭐🌟、评论 💬🗯️、关注❤️💚~