[英]Pytorch: saving model or state_dict gives different on-disk space occupation
我正在使用torch.save
函數,發現有些奇怪的東西,比如說我從torchvision
存儲庫中加載了一個模型:
model = torchvision.models.mobilenet_v2()
如果我以這種方式保存模型:
torch.save(model,'model.pth')
我得到一個14MB的文件,而如果這樣做的話:
torch.save(model.state_dict(),'state_dict.pth')
文件大小達到500MB。 由於我沒有找到有關此行為的任何參考,因此我想知道是什么導致大小增加。 與壓縮有關嗎? 保存整個state_dict
存儲未初始化的漸變之類的額外內容?
PS對於類似vgg16
其他模型vgg16
嘿,自pytorch 1.1.0a0+863818e
版本以來,由於錯誤,我刪除了最后一個答案,使用:
torch.save(model,'model.pth')
並使用:
torch.save(model.state_dict(),'state_dict.pth')
兩者的尺寸結果相同,您使用的是正確加載蚊帳嗎? 證明:
-rw-rw-r-- 1 bpinaya bpinaya 14M Aug 8 10:26 model.pth
-rw-rw-r-- 1 bpinaya bpinaya 14M Aug 8 10:27 state_dict.pth
-rw-rw-r-- 1 bpinaya bpinaya 528M Aug 8 10:29 vgg.pth
-rw-rw-r-- 1 bpinaya bpinaya 528M Aug 8 10:29 vggstate_dict.pth
如果詢問模型是什么:
vars(vgg16)
出:
{'_backend': <torch.nn.backends.thnn.THNNFunctionBackend at 0x232c78759b0>,
'_parameters': OrderedDict(),
'_buffers': OrderedDict(),
'_backward_hooks': OrderedDict(),
'_forward_hooks': OrderedDict(),
'_forward_pre_hooks': OrderedDict(),
'_state_dict_hooks': OrderedDict(),
'_load_state_dict_pre_hooks': OrderedDict(),
'_modules': OrderedDict([('features', Sequential(
(0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): ReLU(inplace)
(2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(3): ReLU(inplace)
(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)
(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(8): ReLU(inplace)
(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)
(12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(13): ReLU(inplace)
(14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(15): ReLU(inplace)
(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)
(19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(20): ReLU(inplace)
(21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(22): ReLU(inplace)
(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)
(26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(27): ReLU(inplace)
(28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(29): ReLU(inplace)
(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)
(2): Dropout(p=0.5)
(3): Linear(in_features=4096, out_features=4096, bias=True)
(4): ReLU(inplace)
(5): Dropout(p=0.5)
(6): Linear(in_features=4096, out_features=1000, bias=True)
))]),
'training': True}
您將得到的不僅僅是狀態字典。
vgg16.state_dict()
狀態dict在_modules
內部( vgg16._modules['features'].state_dict()
)
這就是為什么當您保存模型時,不僅保存狀態字典,而且還保存所有上述內容,例如參數,緩沖區,鈎子...
但是,如果您不使用參數,緩沖區,掛鈎來推斷模型的時間,則可以避免保存這些參數。
保存時的大小:
torch.save(model,'model.pth')
torch.save(model.state_dict(),'state_dict.pth')
應該是: model.pth > state_dict.pth
因為狀態dict包含在模型中。
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.