[英]How do I predict using a trained Image to Emotion Pytorch model
[英]How do I save a trained model in PyTorch?
如何在 PyTorch 中保存經過訓練的 model? 我讀過:
torch.save()
/ torch.load()
用於保存/加載可序列化的 object。model.state_dict()
/model.load_state_dict()
用於保存/加載 model Z96739E2A693E258。我在他們的 github repo 上找到了這個頁面,我會把內容貼在這里。
序列化和恢復模型有兩種主要方法。
第一個(推薦)只保存和加載模型參數:
torch.save(the_model.state_dict(), PATH)
后來:
the_model = TheModelClass(*args, **kwargs)
the_model.load_state_dict(torch.load(PATH))
第二個保存並加載整個模型:
torch.save(the_model, PATH)
后來:
the_model = torch.load(PATH)
但是在這種情況下,序列化數據綁定到特定的類和所使用的確切目錄結構,因此在其他項目中使用時,或者經過一些嚴重的重構后,它可能會以各種方式中斷。
這取決於你想做什么。
案例#1:保存模型以供自己用於推理:您保存模型,恢復它,然后將模型更改為評估模式。 這樣做是因為您通常有BatchNorm
和Dropout
層,它們在構建時默認處於訓練模式:
torch.save(model.state_dict(), filepath)
#Later to restore:
model.load_state_dict(torch.load(filepath))
model.eval()
案例#2:保存模型以便稍后繼續訓練:如果您需要繼續訓練您將要保存的模型,您需要保存的不僅僅是模型。 您還需要保存優化器的狀態、時期、分數等。您可以這樣做:
state = {
'epoch': epoch,
'state_dict': model.state_dict(),
'optimizer': optimizer.state_dict(),
...
}
torch.save(state, filepath)
要恢復訓練,您可以執行以下操作: state = torch.load(filepath)
,然后恢復每個單獨對象的狀態,如下所示:
model.load_state_dict(state['state_dict'])
optimizer.load_state_dict(state['optimizer'])
由於您正在恢復訓練,因此在加載時恢復狀態后不要調用model.eval()
。
案例#3:模型供其他人使用而無法訪問您的代碼:在 Tensorflow 中,您可以創建一個.pb
文件來定義模型的架構和權重。 這非常方便,特別是在使用Tensorflow serve
。 在 Pytorch 中執行此操作的等效方法是:
torch.save(model, filepath)
# Then later:
model = torch.load(filepath)
這種方式仍然不是防彈的,而且由於 pytorch 仍在經歷很多變化,我不推薦它。
pickle Python 庫實現了用於序列化和反序列化 Python 對象的二進制協議。
當你import torch
(或者當你使用PyTorch)時,它會為你import pickle
,你不需要直接調用pickle.dump()
和pickle.load()
,它們是保存和加載對象的方法。
事實上, torch.save()
和torch.load()
會為你包裝pickle.dump()
和pickle.load()
。
提到的另一個答案的state_dict
只需要多加注意。
什么state_dict
我們有內部PyTorch? 實際上有兩個state_dict
。
PyTorch 模型是torch.nn.Module
,它具有model.parameters()
調用以獲取可學習參數(w 和 b)。 這些可學習的參數一旦隨機設置,就會隨着我們的學習而隨着時間的推移而更新。 可學習的參數是第一個state_dict
。
第二個state_dict
是優化器狀態字典。 您還記得優化器用於改進我們的可學習參數。 但是優化器state_dict
是固定的。 沒有什么可在那里學習的。
由於state_dict
對象是 Python 字典,因此它們可以輕松保存、更新、更改和恢復,從而為 PyTorch 模型和優化器添加了大量模塊化。
讓我們創建一個超級簡單的模型來解釋這一點:
import torch
import torch.optim as optim
model = torch.nn.Linear(5, 2)
# Initialize optimizer
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
print("Model's state_dict:")
for param_tensor in model.state_dict():
print(param_tensor, "\t", model.state_dict()[param_tensor].size())
print("Model weight:")
print(model.weight)
print("Model bias:")
print(model.bias)
print("---")
print("Optimizer's state_dict:")
for var_name in optimizer.state_dict():
print(var_name, "\t", optimizer.state_dict()[var_name])
此代碼將輸出以下內容:
Model's state_dict:
weight torch.Size([2, 5])
bias torch.Size([2])
Model weight:
Parameter containing:
tensor([[ 0.1328, 0.1360, 0.1553, -0.1838, -0.0316],
[ 0.0479, 0.1760, 0.1712, 0.2244, 0.1408]], requires_grad=True)
Model bias:
Parameter containing:
tensor([ 0.4112, -0.0733], requires_grad=True)
---
Optimizer's state_dict:
state {}
param_groups [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [140695321443856, 140695321443928]}]
請注意,這是一個最小模型。 您可以嘗試添加順序堆棧
model = torch.nn.Sequential(
torch.nn.Linear(D_in, H),
torch.nn.Conv2d(A, B, C)
torch.nn.Linear(H, D_out),
)
請注意,只有具有可學習參數的層(卷積層、線性層等)和注冊緩沖區(batchnorm 層)在模型的state_dict
有條目。
不可學習的東西屬於優化器對象state_dict
,它包含有關優化器狀態的信息,以及使用的超參數。
故事的其余部分是相同的; 在推理階段(這是我們訓練后使用模型的階段)進行預測; 我們確實根據我們學到的參數進行預測。 所以對於推理,我們只需要保存參數model.state_dict()
。
torch.save(model.state_dict(), filepath)
並在以后使用 model.load_state_dict(torch.load(filepath)) model.eval()
注意:不要忘記最后一行model.eval()
這在加載模型后至關重要。
也不要嘗試保存torch.save(model.parameters(), filepath)
。 model.parameters()
只是生成器對象。
另一方面, torch.save(model, filepath)
保存模型對象本身,但請記住,模型沒有優化器的state_dict
。 檢查@Jadiel de Armas 的另一個優秀答案以保存優化器的狀態字典。
一個常見的 PyTorch 約定是使用 .pt 或 .pth 文件擴展名保存模型。
保存/加載整個模型
節省:
path = "username/directory/lstmmodelgpu.pth"
torch.save(trainer, path)
加載:
(模型類必須在某處定義)
model.load_state_dict(torch.load(PATH))
model.eval()
如果您想保存模型並想稍后繼續訓練:
單 GPU:保存:
state = {
'epoch': epoch,
'state_dict': model.state_dict(),
'optimizer': optimizer.state_dict(),
}
savepath='checkpoint.t7'
torch.save(state,savepath)
加載:
checkpoint = torch.load('checkpoint.t7')
model.load_state_dict(checkpoint['state_dict'])
optimizer.load_state_dict(checkpoint['optimizer'])
epoch = checkpoint['epoch']
多 GPU:保存
state = {
'epoch': epoch,
'state_dict': model.module.state_dict(),
'optimizer': optimizer.state_dict(),
}
savepath='checkpoint.t7'
torch.save(state,savepath)
加載:
checkpoint = torch.load('checkpoint.t7')
model.load_state_dict(checkpoint['state_dict'])
optimizer.load_state_dict(checkpoint['optimizer'])
epoch = checkpoint['epoch']
#Don't call DataParallel before loading the model otherwise you will get an error
model = nn.DataParallel(model) #ignore the line if you want to load on Single GPU
您保存模型的方式取決於您以后希望如何訪問它。 如果您可以調用model
類的新實例,那么您需要做的就是使用model.state_dict()
保存/加載模型的權重:
# Save:
torch.save(old_model.state_dict(), PATH)
# Load:
new_model = TheModelClass(*args, **kwargs)
new_model.load_state_dict(torch.load(PATH))
如果你不能因為任何原因(或者更喜歡更簡單的語法),那么你可以用torch.save()
保存整個模型(實際上是對定義模型的文件的引用,以及它的 state_dict torch.save()
:
# Save:
torch.save(old_model, PATH)
# Load:
new_model = torch.load(PATH)
但由於這是對定義模型類的文件位置的引用,除非這些文件也被移植到相同的目錄結構中,否則此代碼不可移植。
如果您希望您的模型便於攜帶,您可以使用torch.hub
輕松地將其導入。 如果您將適當定義的hubconf.py
文件添加到 github 存儲庫,則可以從 PyTorch 中輕松調用該文件,以使用戶能夠使用/不使用權重加載您的模型:
hubconf.py
( github.com/repo_owner/repo_name )
dependencies = ['torch']
from my_module import mymodel as _mymodel
def mymodel(pretrained=False, **kwargs):
return _mymodel(pretrained=pretrained, **kwargs)
加載模型:
new_model = torch.hub.load('repo_owner/repo_name', 'mymodel')
new_model_pretrained = torch.hub.load('repo_owner/repo_name', 'mymodel', pretrained=True)
這幾天一切都寫在官方教程中: https : //pytorch.org/tutorials/beginner/ Saving_loading_models.html
您有幾個關於如何保存和保存內容的選項,所有內容都在該教程中進行了解釋。
pip 安裝 pytorch-lightning
確保您的父模型使用 pl.LightningModule 而不是 nn.Module
import pytorch_lightning as pl
model = MyLightningModule(hparams)
trainer.fit(model)
trainer.save_checkpoint("example.ckpt")
new_model = MyModel.load_from_checkpoint(checkpoint_path="example.ckpt")
我總是喜歡使用 Torch7 (.t7) 或 Pickle (.pth, .pt) 來保存 pytorch 模型的權重。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.