文章目录
一、模型的保存
方式1:torch.save(vgg16, "vgg16_method1.pth")
bash
import torch
import torchvision.models
vgg16 = torchvision.models.vgg16(pretrained=False)
torch.save(vgg16, "vgg16_method1.pth")
如果运行报错:UserWarning: Arguments other than a weight enum or
None for 'weights' are deprecated since 0.13 and may be removed in the future. The current behavior is equivalent to passing weights=None
或者The parameter 'pretrained' is deprecated since 0.13 and may be removed in the future
原因是在 PyTorch 的 torchvision 库中,从版本 0.13 开始,pretrained 参数已经被弃用,取而代之的是 weights 参数。这个改变是为了提供更丰富的预训练模型选择。当你尝试使用 vgg16(pretrained=False) 时,你收到了一个警告,告诉你 pretrained 参数已经不再被使用,并且建议你使用 weights 参数。
要解决这个问题,你应该使用 weights 参数来代替 pretrained。
修正代码:
bash
import torch
import torchvision.models
vgg16 = torchvision.models.vgg16(weights=torchvision.models.VGG16_Weights.DEFAULT)
torch.save(vgg16, "vgg16_method1.pth")
运行代码:
可以看到多了一个新文件vgg16_method1.pth
该方式1保存的网路模型不仅保存了网络模型的一种结构,它也保存了模型当中的一些参数
方式2:把模型的参数保存成字典(dict)形式
bash
import torch
import torchvision.models
vgg16 = torchvision.models.vgg16(weights=torchvision.models.VGG16_Weights.DEFAULT)
torch.save(vgg16.state_dict(),"vgg16_method2.pth")
运行结果:
方式1与方式2对比:
方式1保存的是模型的结构+模型的参数,方式2保存的只是模型的参数(官方推荐的保存方式)
官方推荐的原因是当保存一个大的模型时候,方式2所用的空间更小
我们可以查看一下两种保存方式的文件大小:
因为vgg这个模型本身就不大,所以文件大小差距并不明显,但方式2足足小了7kb!要是在大模型下节省空间这点会尤其明显。
二、文件的加载
代码:
bash
import torch
model = torch.load("vgg16_method1.pth")
print(model)
运行结果:
通过将save与load的文件debug运行:
能够发现两者都是一样的,说明被完整加载出来。
通过上述步骤可以看到模型中的参数也一同保存下来了。
加载方式2保存的模型:
bash
import torch
model = torch.load("vgg16_method2.pth")
print(model)
运行结果:
可以看到方式2形式是一个个字典形式.
方式2从字典形式想要恢复网络模型结构则需要:
bash
import torch
import torchvision
# 创建一个VGG16模型实例,参数pretrained=False表示不加载预训练的权重。
vgg16 = torchvision.models.vgg16(pretrained=False)
# 加载之前保存的模型权重,这些权重保存在名为"vgg16_method2.pth"的文件中。
vgg16.load_state_dict(torch.load("vgg16_method2.pth"))
# 打印出模型的结构,这样可以看到模型的各个层和参数。
print(vgg16)
运行结果:
可以看到把模型参数成功加载出来了
三、模型加载时容易犯的陷阱
保存一个自己写的网络模型:
bash
import torch
import torchvision.models
from torch import nn
class Sen(nn.Module):
def __init__(self):
super(Sen, self).__init__()
self.conv1 = nn.Conv2d(3, 64, kernel_size=3)
def forward(self, x):
x = self.conv1(x)
return x
sen = Sen()
torch.save(sen, "sen_method1.pth")
运行结果:
因为用方式1进行保存,故使用方式1的方法进行加载:
bash
import torch
import torchvision
model = torch.load("sen_method1.pth")
print(model)
运行结果:
可以看到发生了报错,报错的意思是加载的时候没有找到Sen这个类
解决方法是将类复制到加载代码中:
bash
import torch
import torchvision
class Sen(nn.Module):
def __init__(self):
super(Sen, self).__init__()
self.conv1 = nn.Conv2d(3, 64, kernel_size=3)
def forward(self, x):
x = self.conv1(x)
return x
model = torch.load("sen_method1.pth")
print(model)
注意不需要写sen = Sen()
这一代码
运行代码:
也就是用自己写的网络模型不同于现有的网络模型,需要进行导入才能正常加载出来!
或者也可以用import的方法加载自己写的网络模型,那么就不需要老是复制粘贴
通过from model_save import *
加载:
bash
import torch
from model_save import *
model = torch.load("sen_method1.pth")
print(model)
运行结果: