了解基础知识 ||快速入门 ||张量 ||数据集和数据加载器 ||变换 ||构建模型 ||Autograd ||优化 ||保存并加载模型

保存并加载模型

创建时间： Feb 09， 2021 |上次更新时间：2024 年 10 月 15 日 |上次验证： Nov 05， 2024

在本节中，我们将了解如何通过保存、加载和运行模型预测来保持模型状态。

import torch
import torchvision.models as models

保存和加载模型权重

PyTorch 模型将学习到的参数存储在内部的 状态字典，称为 .这些可以通过以下方法持久化：state_dicttorch.save

model = models.vgg16(weights='IMAGENET1K_V1')
torch.save(model.state_dict(), 'model_weights.pth')

Downloading: "https://download.pytorch.org/models/vgg16-397923af.pth" to /var/lib/ci-user/.cache/torch/hub/checkpoints/vgg16-397923af.pth

  0%|          | 0.00/528M [00:00<?, ?B/s]
  4%|3         | 20.9M/528M [00:00<00:02, 218MB/s]
  8%|8         | 42.4M/528M [00:00<00:02, 222MB/s]
 12%|#2        | 63.9M/528M [00:00<00:02, 224MB/s]
 16%|#6        | 85.4M/528M [00:00<00:02, 224MB/s]
 20%|##        | 107M/528M [00:00<00:01, 225MB/s]
 24%|##4       | 128M/528M [00:00<00:01, 224MB/s]
 28%|##8       | 150M/528M [00:00<00:01, 225MB/s]
 32%|###2      | 171M/528M [00:00<00:01, 225MB/s]
 37%|###6      | 193M/528M [00:00<00:01, 224MB/s]
 41%|####      | 214M/528M [00:01<00:01, 225MB/s]
 45%|####4     | 236M/528M [00:01<00:01, 225MB/s]
 49%|####8     | 257M/528M [00:01<00:01, 225MB/s]
 53%|#####2    | 279M/528M [00:01<00:01, 225MB/s]
 57%|#####6    | 300M/528M [00:01<00:01, 225MB/s]
 61%|######    | 322M/528M [00:01<00:00, 225MB/s]
 65%|######5   | 343M/528M [00:01<00:00, 225MB/s]
 69%|######9   | 365M/528M [00:01<00:00, 225MB/s]
 73%|#######3  | 387M/528M [00:01<00:00, 225MB/s]
 77%|#######7  | 408M/528M [00:01<00:00, 225MB/s]
 81%|########1 | 430M/528M [00:02<00:00, 225MB/s]
 85%|########5 | 451M/528M [00:02<00:00, 225MB/s]
 90%|########9 | 473M/528M [00:02<00:00, 225MB/s]
 94%|#########3| 494M/528M [00:02<00:00, 225MB/s]
 98%|#########7| 516M/528M [00:02<00:00, 225MB/s]
100%|##########| 528M/528M [00:02<00:00, 225MB/s]

要加载模型权重，您需要先创建同一模型的实例，然后加载参数 using 方法。load_state_dict()

在下面的代码中，我们设置了将 在解封期间执行的函数更改为仅 装载重量。使用 加载砝码时的最佳实践。weights_only=Trueweights_only=True

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

VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (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=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (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=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (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=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (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=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (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=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)

注意

请务必在推理之前调用 method 以将 dropout 和 batch normalization 层设置为评估模式。如果不这样做，将产生不一致的推理结果。model.eval()

保存和加载带有形状的模型

在加载模型权重时，我们需要先实例化模型类，因为类 定义网络的结构。我们可能希望将这个类的结构与 模型，在这种情况下，我们可以将 （而不是 ） 传递给 saving 函数：modelmodel.state_dict()

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

然后，我们可以加载模型，如下所示。

如保存和加载 torch.nn.Modules 中所述， 保存被认为是最佳实践。然而 下面我们使用，因为这涉及加载 模型，这是 .state_dictweights_only=Falsetorch.save

model = torch.load('model.pth', weights_only=False),

注意

这种方法在序列化模型时使用 Python pickle 模块，因此它依赖于加载模型时可用的实际类定义。

相关教程

• 在 PyTorch 中保存和加载通用检查点

• 加载 nn.来自检查点的模块