保存和加载模型
作者：geekboy
日期：2020-3-2
当训练好一个模型后，我们需要将模型保存到硬盘。同时当我们需要推理的时候需要将模型从硬盘中加载。
关于保存和加载模型，有三个核心功能需要熟悉
- torch.save:将序列化对象保存到磁盘。这个函数使用Python的pickle实用程序进行序列化。使用此功能可以保存各种对象的模型，张量和字典。
- torch.load:使用pickle的解腌功能将腌制的目标文件反序列化到内存中，此功能还有助于设备将数据加载到其中
- torch.nn.Module.load_state_dict：使用反序列化的state_dict加载模型的参数字典。
state_dict的概念
在PyTorch中，模型的可学习参数(即权重和偏差)torch.nn.Module包含在模型的参数中(通过访问model.parameters())。由于state_dict是一个简单的Python字典对象，每个层映射到其参数张量。这里要强调的是，只有具有可学习参数的层(卷积层，线性层)和已注册的缓冲区(batchnorm的running_mean)才在模型的state_dict中具有条目。优化器对象(torch.optim)还具有state_dict,其中包含有关优化器状态以及所用超参数的信息。
由于state_dict对象是Python词典，因此可以轻松地保存，更新，更改和还原它们，从而为PyTorch模型和优化器增加了很多模块化。
下面通过一个简单的model来看一下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
#定义模型
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()
#初始化优化器
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())
将得到如下的结果
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])
也可以查看优化器的状态：
#查看优化器的状态
print("Optimizer's state_dict:")
optimizer.state_dict()
结果如下：
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载
保存/加载 state_dict（极力推荐）
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)
)
保存模型已进行推理时，仅需要保存训练后的模型学习参数。使用torch.save()函数保存模型的state_dict将为您提供最大的灵活性，以便以后恢复模型，这就是为什么推荐使用此方法来保存模型。常见的PyTorch约定是使用.pt或.pth文件扩展名保存模型。这里需要强调一点：
必须调用model.eval()，以便在运行推理之前将dropout和batch规范化层设置为评估模式。如果不这样做，将会产生不一致的推断结果
请注意，在使用load_state_dict()函数使用字典对象，而不是保存对象的路径。这意味着，在将保存的state_dict传递给
load_state_dict()函数之前，必须对其进行反序列化。如，无法使用加载model.load_state_dict(PATH)
保存整个模型并加载
**Save:**
torch.save(model,"whole_model.pth")
Load:
model=torch.load("whole_model.pth")
model.eval()
这种保存/加载过程使用最直观的语法，并且涉及最少的代码。以这种方式保存模型将使用Python的pickle模块保存整个模块。这种方法的缺点时序列化的数据保存到特定的类，并且在保存模型时使用确切的目录结构。这样做的原因是因为pickle不会保存模型类本身。而是将其保存到包含类的文件的路径，该路径在加载时使用。因此，在其他项目中使用或重构后，代码可能会以各种方式中断。
### 保存模型的状态并加载
有时候可能由于其他原因模型训练过程中被中断了，这时候就需要保存模型的状态，从终止状态进行训练。首先我们先定义模型的状态：
state={'model':model.state_dict(),'optimizer':optimizer.state_dict(),'epoch':epoch}
torch.save(state,path)
同样加载也十分的简单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']
### 跨设备保存加载模型
#### 保存在GPU上，在CPU上加载
**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))
