【昇思初学入门】第八天打卡-模型保存与加载

保存 CheckPoint 格式文件 ，在模型训练过程中，可以添加检查点(CheckPoint)用于保存模型的参数，以便进行推理及再训练使用。如果想继续在不同硬件平台上做推理，可通过网络和CheckPoint格式文件生成对应的MINDIR、AIR和ONNX格式文件。
python 复制代码
```
model = network()
mindspore.save_checkpoint(model, "model.ckpt")
```
可以通过CheckpointConfig对象可以设置CheckPoint的保存策略。
- save_checkpoint_steps表示每隔多少个step保存一次。
- keep_checkpoint_max表示最多保留CheckPoint文件的数量。
- prefix表示生成CheckPoint文件的前缀名。
- directory表示存放文件的目录。
python 复制代码
```
from mindspore.train.callback import ModelCheckpoint, CheckpointConfig
config_ck = CheckpointConfig(save_checkpoint_steps=32, keep_checkpoint_max=10)
ckpoint_cb = ModelCheckpoint(prefix='resnet50', directory=None, config=config_ck)
model.train(epoch_num, dataset, callbacks=ckpoint_cb)
```
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。
python 复制代码
```
	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。
cmd 复制代码
```
[] 
```

保存和加载MindIR ，当有了CheckPoint文件后，如果想继续在MindSpore Lite端侧做推理，需要通过网络和CheckPoint生成对应的MINDIR格式模型文件。
- 统一表示：MindIR作为MindSpore云侧（训练）和端侧（推理）的统一模型文件，同时存储了网络结构和权重参数值。这使得MindSpore能够在不同的硬件平台上实现一次训练多次部署的能力。
- 导出MindIR：MindSpore提供了export接口，可以直接将模型保存为MindIR格式。
- 保存模型
python 复制代码
```
model = network()
inputs = Tensor(np.ones([1, 1, 28, 28]).astype(np.float32))
mindspore.export(model, inputs, file_name="model", file_format="MINDIR")
```
- 加载模型
python 复制代码
```
mindspore.set_context(mode=mindspore.GRAPH_MODE)
graph = mindspore.load("model.mindir")
model = nn.GraphCell(graph)
outputs = model(inputs)
print(outputs.shape)
```