PyTorch模型的保存与加载方法实例

目录

• 模型的保存与加载
• 保存和加载模型参数
• 保存和加载模型参数与结构
• 总结

模型的保存与加载

首先，需要导入两个包

import torch
import torchvision.models as models

保存和加载模型参数

PyTorch模型将学习到的参数存储在一个内部状态字典中，叫做state_dict。这可以通过torch.save方法来实现。
我们导入预训练好的VGG16模型，并将其保存。我们将state_dict字典保存在model_weights.pth文件中。

model = models.vgg16(pretrained=True)
torch.save(model.state_dict(), 'model_weights.pth')

想要加载模型参数，我们需要创建一个和原模型一样的实例，然后通过load_state_dict()方法来加载模型参数

• 创建一个VGG16模型实例（未经过预训练的）
• 加载本地参数

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

注意：在进行测试前，如果模型中有dropout层和batch normalization层的话，一定要使用model.eval()将模型转到测试模式。

• 在train模式下，dropout网络层会按照设定的参数p设置保留激活单元的概率（保留概率=p); batchnorm层会继续计算数据的mean和var等参数并更新。
• 在val模式下，dropout层会让所有的激活单元都通过，而batchnorm层会停止计算和更新mean和var，直接使用在训练阶段已经学出的mean和var值

当然，相同的，在模型进行训练之前，要使用model.train()来将模型转为训练模式

保存和加载模型参数与结构

当加载模型权重时，我们需要首先实例化模型类，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保存在一起。这样的话，我们可以将model而不是model.state_dict()作为参数。

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

这样，我们加载模型的时候就不用再新建一个实例了。加载方式如下所示

model = torch.load('model.pth')

这种方式在网络比较大的时候可能比较慢，因为相较于上面的方式多存储了网络的结构

总结

到此这篇关于PyTorch模型的保存与加载方法的文章就介绍到这了,更多相关PyTorch模型保存加载内容请搜索自由互联以前的文章或继续浏览下面的相关文章希望大家以后多多支持自由互联！