保存和加載模型
作者：geekboy
日期：2020-3-2
當訓練好一個模型后，我們需要將模型保存到硬盤。同時當我們需要推理的時候需要將模型從硬盤中加載。
關于保存和加載模型，有三個核心功能需要熟悉
- torch.save:將序列化對象保存到磁盤。這個函數使用Python的pickle實用程序進行序列化。使用此功能可以保存各種對象的模型，張量和字典。
- torch.load:使用pickle的解腌功能將腌制的目標文件反序列化到內存中，此功能還有助于設備將數據加載到其中
- torch.nn.Module.load_state_dict：使用反序列化的state_dict加載模型的參數字典。
state_dict的概念
在PyTorch中，模型的可學習參數(即權重和偏差)torch.nn.Module包含在模型的參數中(通過訪問model.parameters())。由于state_dict是一個簡單的Python字典對象，每個層映射到其參數張量。這里要強調的是，只有具有可學習參數的層(卷積層，線性層)和已注冊的緩沖區(batchnorm的running_mean)才在模型的state_dict中具有條目。優化器對象(torch.optim)還具有state_dict,其中包含有關優化器狀態以及所用超參數的信息。
由于state_dict對象是Python詞典，因此可以輕松地保存，更新，更改和還原它們，從而為PyTorch模型和優化器增加了很多模塊化。
下面通過一個簡單的model來看一下state_dict中到底有什么：
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
#定義模型
class TheModelClass(nn.Module):
def __init__(self):
super(TheModelClass,self).__init__()
self.conv1=nn.Conv2d(3,6,5)
self.pool=nn.MaxPool2d(2,2)
self.conv2=nn.Conv2d(6,16,5)
self.fc1=nn.Linear(16*5*5,120)
self.fc2=nn.Linear(120,84)
self.fc3=nn.Linear(84,10)
def forward(self,x):
x=self.pool(F.relu(self.conv1(x)))
x=self.pool(F.relu(self.conv2(x)))
x=x.view(-1,16*5*5)
x=F.relu(self.fc1(x))
x=F.relu(self.fc2(x))
x=self.fc3(x)
return x
#初始化模型
model=TheModelClass()
#初始化優化器
optimizer=optim.SGD(model.parameters(),lr=0.001,momentum=0.9)
for param_tensor in model.state_dict():
print(param_tensor,"\t",model.state_dict()[param_tensor].size())
將得到如下的結果
conv1.weight torch.Size([6, 3, 5, 5])
conv1.bias torch.Size([6])
conv2.weight torch.Size([16, 6, 5, 5])
conv2.bias torch.Size([16])
fc1.weight torch.Size([120, 400])
fc1.bias torch.Size([120])
fc2.weight torch.Size([84, 120])
fc2.bias torch.Size([84])
fc3.weight torch.Size([10, 84])
fc3.bias torch.Size([10])
也可以查看優化器的狀態：
#查看優化器的狀態
print("Optimizer's state_dict:")
optimizer.state_dict()
結果如下：
Optimizer's state_dict:
{'state': {},
'param_groups': [{'lr': 0.001,
'momentum': 0.9,
'dampening': 0,
'weight_decay': 0,
'nesterov': False,
'params': [4901733872,
4901735712,
4901733072,
4899689088,
4899979824,
4901626736,
4901626096,
4901626496,
4901626896,
4901628736]}]}
推理模型的保存和加載
保存/加載 state_dict（極力推薦）
Save:
torch.save(model.state_dict(),"model.pth")
load:
model.load_state_dict(torch.load("model.pth"))
model.eval()
TheModelClass(
(conv1): Conv2d(3, 6, kernel_size=(5, 5), stride=(1, 1))
(pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))
(fc1): Linear(in_features=400, out_features=120, bias=True)
(fc2): Linear(in_features=120, out_features=84, bias=True)
(fc3): Linear(in_features=84, out_features=10, bias=True)
)
保存模型已進行推理時，僅需要保存訓練后的模型學習參數。使用torch.save()函數保存模型的state_dict將為您提供最大的靈活性，以便以后恢復模型，這就是為什么推薦使用此方法來保存模型。常見的PyTorch約定是使用.pt或.pth文件擴展名保存模型。這里需要強調一點：
必須調用model.eval()，以便在運行推理之前將dropout和batch規范化層設置為評估模式。如果不這樣做，將會產生不一致的推斷結果
請注意，在使用load_state_dict()函數使用字典對象，而不是保存對象的路徑。這意味著，在將保存的state_dict傳遞給
load_state_dict()函數之前，必須對其進行反序列化。如，無法使用加載model.load_state_dict(PATH)
保存整個模型并加載
**Save:**
torch.save(model,"whole_model.pth")
Load:
model=torch.load("whole_model.pth")
model.eval()
這種保存/加載過程使用最直觀的語法，并且涉及最少的代碼。以這種方式保存模型將使用Python的pickle模塊保存整個模塊。這種方法的缺點時序列化的數據保存到特定的類，并且在保存模型時使用確切的目錄結構。這樣做的原因是因為pickle不會保存模型類本身。而是將其保存到包含類的文件的路徑，該路徑在加載時使用。因此，在其他項目中使用或重構后，代碼可能會以各種方式中斷。
### 保存模型的狀態并加載
有時候可能由于其他原因模型訓練過程中被中斷了，這時候就需要保存模型的狀態，從終止狀態進行訓練。首先我們先定義模型的狀態：
state={'model':model.state_dict(),'optimizer':optimizer.state_dict(),'epoch':epoch}
torch.save(state,path)
同樣加載也十分的簡單只需要下面操作就可以了：
checkpoint=torch.load(path)
model.load_state_dict(checkpoint('model'))
optimizer.load_state_dict(checkpoint['optimizer'])
epoch=checkpoint['epoch']
### 跨設備保存加載模型
#### 保存在GPU上，在CPU上加載
**Save:**
torch.save(model.state_dict(),"GPU.pth")
**Load:**
device=torch.device("cpu")
model=TheModelClass()
model.load_state_dict(torch.load("GPU.pth",map_location=device))
