深度学习框架PyTorch——从入门到精通（8）保存并加载模型

前言

在本节中，我们将了解如何通过保存、加载和运行模型预测来持久化模型状态。

在这之前，先加载torch和torchvision包

python 复制代码

import torch
import torchvision.models as models

保存和加载模型权重

PyTorch模型将学习到的参数存储在名为state_dict的内部状态字典中。这些可以通过torch.save方法持久化：

python 复制代码

model = models.vgg16(weights='IMAGENET1K_V1')
torch.save(model.state_dict(), 'model_weights.pth')

它会从网络下载已经搭建好的模型到你本地,输出应该类似：

要加载模型权重，您需要先创建相同模型的实例，然后使用load_state_dict()方法加载参数。

在下面的代码中，我们设置weights_only=True以将解酸期间执行的函数限制为仅那些必要的加载权重。使用weights_only=True被认为是加载权重时的最佳实践。

python 复制代码

model = models.vgg16() # we do not specify ``weights``, i.e. create untrained model
model.load_state_dict(torch.load('model_weights.pth', weights_only=True))
model.eval()

# 输出：
VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)

注意：请务必在推理之前调用model.eval()方法以将dropout和批处理归一化层设置为评估模式。不这样做将产生不一致的推理结果。

保存和加载带有形状信息的模型

在加载模型权重时，我们需要先实例化模型类，因为类定义了网络的结构。我们可能希望将这个类的结构与模型一起保存，在这种情况下，我们可以将model（而不是model.state_dict()）传递给保存函数：

python 复制代码

torch.save(model, 'model.pth')

然后我们可以加载模型，如下所示。

如保存和加载torch. nn.Modules中所述，保存state_dict被认为是最佳实践。然而，下面我们使用weights_only=False，因为这涉及加载模型，这是torch.save的遗留用例。

python 复制代码

model = torch.load('model.pth', weights_only=False),

注意：这种方法在序列化模型时使用Python pickle模块，因此它依赖于加载模型时可用的实际类定义。

深度学习框架PyTorch——从入门到精通（8）保存并加载模型

保存和加载模型权重

保存和加载带有形状信息的模型

更多教程