[Pytorch]Pytorch 保存模型與加載模型(轉)

轉自：知乎

目錄：

• 保存模型與加載模型
• 凍結一部分參數，訓練另外一部分參數
• 採用不一樣的學習率進行訓練

1.保存模型與加載

簡單的保存與加載方法：

# 保存整個網絡

torch.save(net, PATH)

# 保存網絡中的參數, 速度快，佔空間少

torch.save(net.state_dict(),PATH)

#--------------------------------------------------

#針對上面通常的保存方法，加載的方法分別是：

model_dict=torch.load(PATH)

model_dict=model.load_state_dict(torch.load(PATH))

然而，在實驗中每每須要保存更多的信息，好比優化器的參數，那麼能夠採起下面的方法保存：

torch.save({'epoch': epochID + 1, 'state_dict': model.state_dict(), 'best_loss': lossMIN,

'optimizer': optimizer.state_dict(),'alpha': loss.alpha, 'gamma': loss.gamma},

checkpoint_path + '/m-' + launchTimestamp + '-' + str("%.4f" % lossMIN) + '.pth.tar')

以上包含的信息有，epochID, state_dict, min loss, optimizer, 自定義損失函數的兩個參數；格式以字典的格式存儲。

加載的方式：

def load_checkpoint(model, checkpoint_PATH, optimizer):

if checkpoint != None:

model_CKPT = torch.load(checkpoint_PATH)

model.load_state_dict(model_CKPT['state_dict'])

print('loading checkpoint!')

optimizer.load_state_dict(model_CKPT['optimizer'])

return model, optimizer

其餘的參數能夠經過以字典的方式得到

可是，可是，咱們可能修改了一部分網絡，好比加了一些，刪除一些，等等，那麼須要過濾這些參數，加載方式：

def load_checkpoint(model, checkpoint, optimizer, loadOptimizer):

if checkpoint != 'No':

print("loading checkpoint...")

model_dict = model.state_dict()

modelCheckpoint = torch.load(checkpoint)

pretrained_dict = modelCheckpoint['state_dict']

# 過濾操做

new_dict = {k: v for k, v in pretrained_dict.items() if k in model_dict.keys()}

model_dict.update(new_dict)

# 打印出來，更新了多少的參數

print('Total : {}, update: {}'.format(len(pretrained_dict), len(new_dict)))

model.load_state_dict(model_dict)

print("loaded finished!")

# 若是不須要更新優化器那麼設置爲false

if loadOptimizer == True:

optimizer.load_state_dict(modelCheckpoint['optimizer'])

print('loaded! optimizer')

else:

print('not loaded optimizer')

else:

print('No checkpoint is included')

return model, optimizer

2.凍結部分參數，訓練另外一部分參數

1）添加下面一句話到模型中

for p in self.parameters():

p.requires_grad = False

好比加載了resnet預訓練模型以後，在resenet的基礎上鍊接了新的模快，resenet模塊那部分能夠先暫時凍結不更新，只更新其餘部分的參數，那麼能夠在下面加入上面那句話

class RESNET_MF(nn.Module):

def init(self, model, pretrained):

super(RESNET_MF, self).__init__()

self.resnet = model(pretrained)

for p in self.parameters():

p.requires_grad = False

self.f = SpectralNorm(nn.Conv2d(2048, 512, 1))

self.g = SpectralNorm(nn.Conv2d(2048, 512, 1))

self.h = SpectralNorm(nn.Conv2d(2048, 2048, 1))

...

同時在優化器中添加：filter(lambda p: p.requires_grad, model.parameters())

optimizer = optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr=0.001, betas=(0.9, 0.999),

eps=1e-08, weight_decay=1e-5)

2) 參數保存在有序的字典中，那麼能夠經過查找參數的名字對應的id值，進行凍結

查找的代碼：

 model_dict = torch.load('net.pth.tar').state_dict()

dict_name = list(model_dict)

for i, p in enumerate(dict_name):

print(i, p)

保存一下這個文件，能夠看到大體是這個樣子的：

0 gamma

1 resnet.conv1.weight

2 resnet.bn1.weight

3 resnet.bn1.bias

4 resnet.bn1.running_mean

5 resnet.bn1.running_var

6 resnet.layer1.0.conv1.weight

7 resnet.layer1.0.bn1.weight

8 resnet.layer1.0.bn1.bias

9 resnet.layer1.0.bn1.running_mean

....

一樣在模型中添加這樣的代碼：

for i,p in enumerate(net.parameters()):

if i < 165:

p.requires_grad = False

在優化器中添加上面的那句話能夠實現參數的屏蔽