在 PyTorch 中保存经过训练的模型的最佳方式？

Question

我正在寻找在 PyTorch 中保存经过训练的模型的替代方法。到目前为止，我找到了两个替代方案。

torch.save() to save a model and torch.load() 加载模型。
model.state_dict() to save a trained model and model.load_state_dict()加载保存的模型。

我遇到过这个 discussion 建议使用方法 2 而不是方法 1。

我的问题是，为什么第二种方法更受欢迎？难道只是因为 torch.nn 模块有这两个功能而鼓励我们使用它们吗？

Answer 1

在他们的 github 仓库中找到 this page，我将把内容复制粘贴到这里。

保存模型的推荐方法

序列化和恢复模型有两种主要方法。

第一种（推荐）只保存和加载模型参数：

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

然后：

the_model = TheModelClass(*args, **kwargs)
the_model.load_state_dict(torch.load(PATH))

第二次保存并加载整个模型：

torch.save(the_model, PATH)

然后：

the_model = torch.load(PATH)

但是在这种情况下，序列化数据绑定到特定类以及使用的确切目录结构，因此它可以以各种方式中断在其他项目中使用，或者在一些严重的重构之后。

更新：另请参阅 PyTorch 教程中的 Save and Load the Model 部分

Answer 2

这取决于你想做什么。

案例#1：保存模型自己用于推理：保存模型，恢复模型，然后将模型更改为评估模式。这样做是因为您通常有 BatchNorm 和 Dropout 层，它们在构造时默认处于训练模式：

torch.save(model.state_dict(), filepath)

#Later to restore:
model.load_state_dict(torch.load(filepath))
model.eval()

案例#2：保存模型稍后恢复训练：如果你需要继续训练你即将保存的模型，你需要保存的不仅仅是模型.您还需要保存优化器的状态、时期、分数等。您可以这样做：

state = {
    'epoch': epoch,
    'state_dict': model.state_dict(),
    'optimizer': optimizer.state_dict(),
    ...
}
torch.save(state, filepath)

要恢复训练，您可以执行以下操作：state = torch.load(filepath)，然后，恢复每个单独对象的状态，操作如下：

model.load_state_dict(state['state_dict'])
optimizer.load_state_dict(state['optimizer'])

由于您正在恢复训练，一旦您在加载时恢复状态，请勿调用model.eval()。

案例 #3：模型被无法访问您的代码的其他人使用：在 Tensorflow 中，您可以创建一个 .pb 文件来定义模型的架构和权重。这非常方便，特别是在使用 Tensorflow serve 时。在 Pytorch 中执行此操作的等效方法是：

torch.save(model, filepath)

# Then later:
model = torch.load(filepath)

这种方法仍然不是防弹的，并且由于 pytorch 仍在进行大量更改，因此我不推荐它。

Answer 3

pickle Python 库实现了用于序列化和反序列化 Python 对象的二进制协议。

当你import torch（或者当你使用 PyTorch 时）它会为你 import pickle 而你不需要直接调用 pickle.dump() 和 pickle.load()，这是保存和加载对象的方法。

事实上，torch.save() 和 torch.load() 将为您包装 pickle.dump() 和 pickle.load()。

A state_dict 提到的另一个答案值得再做一些说明。

我们在 PyTorch 中有什么state_dict？实际上有两个state_dict。

PyTorch 模型是 torch.nn.Module，它有 model.parameters() 调用来获取可学习的参数（w 和 b）。这些可学习的参数一旦随机设置，就会随着我们学习的时间而更新。可学习的参数是第一个 state_dict.

第二个state_dict是优化器状态字典。您还记得优化器用于改进我们的可学习参数。但是优化器 state_dict 是固定的。那里没什么可学的。

因为 state_dict 对象是 Python 字典，它们可以很容易地保存、更新、更改和恢复，从而为 PyTorch 模型和优化器增加了大量的模块化。

让我们创建一个超级简单的模型来解释这一点：

import torch
import torch.optim as optim

model = torch.nn.Linear(5, 2)

# Initialize optimizer
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

print("Model's state_dict:")
for param_tensor in model.state_dict():
    print(param_tensor, "\t", model.state_dict()[param_tensor].size())

print("Model weight:")    
print(model.weight)

print("Model bias:")    
print(model.bias)

print("---")
print("Optimizer's state_dict:")
for var_name in optimizer.state_dict():
    print(var_name, "\t", optimizer.state_dict()[var_name])

此代码将输出以下内容：

Model's state_dict:
weight      torch.Size([2, 5])
bias      torch.Size([2])
Model weight:
Parameter containing:
tensor([[ 0.1328,  0.1360,  0.1553, -0.1838, -0.0316],
        [ 0.0479,  0.1760,  0.1712,  0.2244,  0.1408]], requires_grad=True)
Model bias:
Parameter containing:
tensor([ 0.4112, -0.0733], requires_grad=True)
---
Optimizer's state_dict:
state      {}
param_groups      [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [140695321443856, 140695321443928]}]

请注意，这是一个最小模型。您可以尝试添加 stack of sequential

model = torch.nn.Sequential(
          torch.nn.Linear(D_in, H),
          torch.nn.Conv2d(A, B, C)
          torch.nn.Linear(H, D_out),
        )

请注意，只有具有可学习参数的层（卷积层、线性层等）和注册缓冲区（batchnorm 层）在模型的 state_dict.

中有条目

不可学习的东西属于优化器对象state_dict，它包含有关优化器状态的信息，以及使用的超参数。

故事的其余部分是一样的；在推理阶段（这是我们在训练后使用模型的阶段）进行预测；我们确实根据我们学到的参数进行预测。所以为了推断，我们只需要保存参数model.state_dict().

torch.save(model.state_dict(), filepath)

稍后使用 model.load_state_dict(torch.load(文件路径)) model.eval()

注意：不要忘记最后一行model.eval()这是加载模型后的关键。

也不要试图保存 torch.save(model.parameters(), filepath)。 model.parameters() 只是生成器对象。

另一方面，torch.save(model, filepath) 保存模型对象本身，但请记住模型没有优化器的 state_dict。查看@Jadiel de Armas 的其他优秀答案以保存优化器的状态字典。

Answer 4

一个常见的 PyTorch 约定是使用 .pt 或 .pth 文件扩展名保存模型。

Save/Load 整个模型

保存：

path = "username/directory/lstmmodelgpu.pth"
torch.save(trainer, path)

加载：

（模型 class 必须在某处定义）

model.load_state_dict(torch.load(PATH))
model.eval()

Answer 5

如果您想保存模型并希望稍后恢复训练：

单 GPU: 保存：

state = {
        'epoch': epoch,
        'state_dict': model.state_dict(),
        'optimizer': optimizer.state_dict(),
}
savepath='checkpoint.t7'
torch.save(state,savepath)

加载：

checkpoint = torch.load('checkpoint.t7')
model.load_state_dict(checkpoint['state_dict'])
optimizer.load_state_dict(checkpoint['optimizer'])
epoch = checkpoint['epoch']

多 GPU: 保存

state = {
        'epoch': epoch,
        'state_dict': model.module.state_dict(),
        'optimizer': optimizer.state_dict(),
}
savepath='checkpoint.t7'
torch.save(state,savepath)

加载：

checkpoint = torch.load('checkpoint.t7')
model.load_state_dict(checkpoint['state_dict'])
optimizer.load_state_dict(checkpoint['optimizer'])
epoch = checkpoint['epoch']

#Don't call DataParallel before loading the model otherwise you will get an error

model = nn.DataParallel(model) #ignore the line if you want to load on Single GPU

Answer 6

Saving locally

您如何保存您的模型取决于您希望将来如何访问它。如果您可以调用 model class 的新实例，那么您需要做的就是 save/load 具有 model.state_dict() 的模型的权重：

# Save:
torch.save(old_model.state_dict(), PATH)

# Load:
new_model = TheModelClass(*args, **kwargs)
new_model.load_state_dict(torch.load(PATH))

如果您出于某种原因不能（或更喜欢更简单的语法），那么您可以保存整个模型（实际上是对定义模型的文件的引用，以及它的state_dict） torch.save():

# Save:
torch.save(old_model, PATH)

# Load:
new_model = torch.load(PATH)

但由于这是对定义模型的文件位置的引用 class，此代码不可移植，除非这些文件也移植到相同的目录结构中。

保存到云端 - TorchHub

如果您希望您的模型可以移植，可以使用 torch.hub 轻松导入它。如果您将适当定义的 hubconf.py 文件添加到 github 存储库，则可以从 PyTorch 中轻松调用它以使用户能够加载您的模型 with/without 权重：

hubconf.py (github.com/repo_owner/repo_name)

dependencies = ['torch']
from my_module import mymodel as _mymodel

def mymodel(pretrained=False, **kwargs):
    return _mymodel(pretrained=pretrained, **kwargs)

正在加载模型：

new_model = torch.hub.load('repo_owner/repo_name', 'mymodel')
new_model_pretrained = torch.hub.load('repo_owner/repo_name', 'mymodel', pretrained=True)

Answer 7

这几天都写在官方教程里了： https://pytorch.org/tutorials/beginner/saving_loading_models.html

关于如何保存和保存什么，您有多种选择，所有内容都在该教程中进行了说明。

Answer 8

pip 安装 pytorch-lightning

确保您的父模型使用 pl.LightningModule 而不是 nn.Module

Saving and loading checkpoints using pytorch lightning

import pytorch_lightning as pl

model = MyLightningModule(hparams)
trainer.fit(model)
trainer.save_checkpoint("example.ckpt")
new_model = MyModel.load_from_checkpoint(checkpoint_path="example.ckpt")

Answer 9

我总是喜欢使用 Torch7 (.t7) 或 Pickle (.pth, .pt) 来保存 pytorch 模型权重。

在 PyTorch 中保存经过训练的模型的最佳方式？

Best way to save a trained model in PyTorch?

python

serialization

deep-learning

pytorch

tensor

保存模型的推荐方法

Saving locally

保存到云端 - TorchHub