7.1 模型保存与加载
这篇文章主要介绍了序列化与反序列化,以及 PyTorch 中的模型保存于加载的两种方式,模型的断点续训练。

序列化与反序列化

模型在内存中是以对象的逻辑结构保存的,但是在硬盘中是以二进制流的方式保存的。
  • 序列化是指将内存中的数据以二进制序列的方式保存到硬盘中。PyTorch 的模型保存就是序列化。
  • 反序列化是指将硬盘中的二进制序列加载到内存中,得到模型的对象。PyTorch 的模型加载就是反序列化。

PyTorch 中的模型保存与加载

torch.save

1
torch.save(obj, f, pickle_module, pickle_protocol=2, _use_new_zipfile_serialization=False)
Copied!
主要参数:
  • obj:保存的对象,可以是模型。也可以是 dict。因为一般在保存模型时,不仅要保存模型,还需要保存优化器、此时对应的 epoch 等参数。这时就可以用 dict 包装起来。
  • f:输出路径
其中模型保存还有两种方式:

保存整个 Module

这种方法比较耗时,保存的文件大
1
torch.savev(net, path)
Copied!

只保存模型的参数

推荐这种方法,运行比较快,保存的文件比较小
1
state_sict = net.state_dict()
2
torch.savev(state_sict, path)
Copied!
下面是保存 LeNet 的例子。在网络初始化中,把权值都设置为 2020,然后保存模型。
1
import torch
2
import numpy as np
3
import torch.nn as nn
4
from common_tools import set_seed
5
6
7
class LeNet2(nn.Module):
8
def __init__(self, classes):
9
super(LeNet2, self).__init__()
10
self.features = nn.Sequential(
11
nn.Conv2d(3, 6, 5),
12
nn.ReLU(),
13
nn.MaxPool2d(2, 2),
14
nn.Conv2d(6, 16, 5),
15
nn.ReLU(),
16
nn.MaxPool2d(2, 2)
17
)
18
self.classifier = nn.Sequential(
19
nn.Linear(16*5*5, 120),
20
nn.ReLU(),
21
nn.Linear(120, 84),
22
nn.ReLU(),
23
nn.Linear(84, classes)
24
)
25
26
def forward(self, x):
27
x = self.features(x)
28
x = x.view(x.size()[0], -1)
29
x = self.classifier(x)
30
return x
31
32
def initialize(self):
33
for p in self.parameters():
34
p.data.fill_(2020)
35
36
37
net = LeNet2(classes=2019)
38
39
# "训练"
40
print("训练前: ", net.features[0].weight[0, ...])
41
net.initialize()
42
print("训练后: ", net.features[0].weight[0, ...])
43
44
path_model = "./model.pkl"
45
path_state_dict = "./model_state_dict.pkl"
46
47
# 保存整个模型
48
torch.save(net, path_model)
49
50
# 保存模型参数
51
net_state_dict = net.state_dict()
52
torch.save(net_state_dict, path_state_dict)
Copied!
运行完之后,文件夹中生成了`model.pklmodel_state_dict.pkl,分别保存了整个网络和网络的参数

torch.load

1
torch.load(f, map_location=None, pickle_module, **pickle_load_args)
Copied!
主要参数:
  • f:文件路径
  • map_location:指定存在 CPU 或者 GPU。
加载模型也有两种方式

加载整个 Module

如果保存的时候,保存的是整个模型,那么加载时就加载整个模型。这种方法不需要事先创建一个模型对象,也不用知道模型的结构,代码如下:
1
path_model = "./model.pkl"
2
net_load = torch.load(path_model)
3
4
print(net_load)
Copied!
输出如下:
1
LeNet2(
2
(features): Sequential(
3
(0): Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))
4
(1): ReLU()
5
(2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
6
(3): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
7
(4): ReLU()
8
(5): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
9
)
10
(classifier): Sequential(
11
(0): Linear(in_features=400, out_features=120, bias=True)
12
(1): ReLU()
13
(2): Linear(in_features=120, out_features=84, bias=True)
14
(3): ReLU()
15
(4): Linear(in_features=84, out_features=2019, bias=True)
16
)
17
)
Copied!

只加载模型的参数

如果保存的时候,保存的是模型的参数,那么加载时就参数。这种方法需要事先创建一个模型对象,再使用模型的load_state_dict()方法把参数加载到模型中,代码如下:
1
path_state_dict = "./model_state_dict.pkl"
2
state_dict_load = torch.load(path_state_dict)
3
net_new = LeNet2(classes=2019)
4
5
print("加载前: ", net_new.features[0].weight[0, ...])
6
net_new.load_state_dict(state_dict_load)
7
print("加载后: ", net_new.features[0].weight[0, ...])
Copied!

模型的断点续训练

在训练过程中,可能由于某种意外原因如断点等导致训练终止,这时需要重新开始训练。断点续练是在训练过程中每隔一定次数的 epoch 就保存模型的参数和优化器的参数,这样如果意外终止训练了,下次就可以重新加载最新的模型参数和优化器的参数,在这个基础上继续训练。
下面的代码中,每隔 5 个 epoch 就保存一次,保存的是一个 dict,包括模型参数、优化器的参数、epoch。然后在 epoch 大于 5 时,就break模拟训练意外终止。关键代码如下:
1
if (epoch+1) % checkpoint_interval == 0:
2
3
checkpoint = {"model_state_dict": net.state_dict(),
4
"optimizer_state_dict": optimizer.state_dict(),
5
"epoch": epoch}
6
path_checkpoint = "./checkpoint_{}_epoch.pkl".format(epoch)
7
torch.save(checkpoint, path_checkpoint)
Copied!
在 epoch 大于 5 时,就break模拟训练意外终止
1
if epoch > 5:
2
print("训练意外中断...")
3
break
Copied!
断点续训练的恢复代码如下:
1
path_checkpoint = "./checkpoint_4_epoch.pkl"
2
checkpoint = torch.load(path_checkpoint)
3
4
net.load_state_dict(checkpoint['model_state_dict'])
5
6
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
7
8
start_epoch = checkpoint['epoch']
9
10
scheduler.last_epoch = start_epoch
Copied!
需要注意的是,还要设置scheduler.last_epoch参数为保存的 epoch。模型训练的起始 epoch 也要修改为保存的 epoch。
参考资料
如果你觉得这篇文章对你有帮助,不妨点个赞,让我有更多动力写出好文章。
我的文章会首发在公众号上,欢迎扫码关注我的公众号张贤同学
最近更新 1yr ago