一、模型參數的保存和加載
-
torch.save(module.state_dict(), path)：使用module.state_dict()函數獲取各層已經訓練好的參數和緩沖區，然后將參數和緩沖區保存到path所指定的文件存放路徑（常用文件格式為.pt、.pth或.pkl）。 -
torch.nn.Module.load_state_dict(state_dict)：從state_dict中加載參數和緩沖區到Module及其子類中 。 -
torch.nn.Module.state_dict()函數返回python中的一個OrderedDict類型字典對象，該對象將每一層與它的對應參數和緩沖區建立映射關系，字典的鍵值是參數或緩沖區的名稱。只有那些參數可以訓練的層才會被保存到OrderedDict中，例如：卷積層、線性層等。 -
Python中的字典類以“鍵:值”方式存取數據，OrderedDict是它的一個子類，實現了對字典對象中元素的排序（OrderedDict根據放入元素的先后順序進行排序）。由于進行了排序，所以順序不同的兩個OrderedDict字典對象會被當做是兩個不同的對象。 - 示例：
import torch
import torch.nn as nn
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 2, 3)
self.pool1 = nn.MaxPool2d(2, 2)
def forward(self, x):
x = self.conv1(x)
x = self.pool1(x)
return x
# 初始化網絡
net = Net()
net.conv1.weight[0].detach().fill_(1)
net.conv1.weight[1].detach().fill_(2)
net.conv1.bias.data.detach().zero_()
# 獲取state_dict
state_dict = net.state_dict()
# 字典的遍歷默認是遍歷key，所以param_tensor實際上是鍵值
for param_tensor in state_dict:
print(param_tensor,"：
",state_dict[param_tensor])
# 保存模型參數
torch.save(state_dict,"net_params.pth")
# 通過加載state_dict獲取模型參數
net.load_state_dict(state_dict)
輸出：
二、完整模型的保存和加載
-
torch.save(module, path)：將訓練完的整個網絡模型module保存到path所指定的文件存放路徑（常用文件格式為.pt或.pth）。 -
torch.load(path)：加載保存到path中的整個神經網絡模型。 - 示例：
import torch
import torch.nn as nn
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 2, 3)
self.pool1 = nn.MaxPool2d(2, 2)
def forward(self, x):
x = self.conv1(x)
x = self.pool1(x)
return x
# 初始化網絡
net = Net()
net.conv1.weight[0].detach().fill_(1)
net.conv1.weight[1].detach().fill_(2)
net.conv1.bias.data.detach().zero_()
# 保存整個網絡
torch.save(net,"net.pth")
# 加載網絡
net = torch.load("net.pth")
到此這篇關于PyTorch深度學習模型的保存和加載流程詳解的文章就介紹到這了,更多相關PyTorch 模型的保存 內容請搜索服務器之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持服務器之家！
原文鏈接：https://blog.csdn.net/m0_52650517/article/details/120836999
