1.API分类

1.1基础API

1.2高级API

2.训练调优场景的模型&参数保存载入

2.1动态图参数保存载入

2.2静态图参数保存载入

3.训练部署场景的模型参数保存载入

3.1 动态图模型&参数保存载入（训练推理）

3.2 静态图模型&参数保存载入（推理部署）

1.API分类

API	使用场景	动态图	静态图
paddle.save/load	训练调优	✔	✔
paddle.jit.save/load	推理部署、动转静的训练	✔
paddle.static.save和load_inference_model	推理部署		✔

动态图的训练模型转化为静态图推理时，动态图开发调试结束转为静态图训练时，使用paddle.jit.save。

1.1基础API

对于训练调优场景，使用paddle.save/load保存和载入模型。
对于推理部署场景，使用paddle.jit.save/load（动态图）和paddle.static.save/load_inference_model（静态图）保存载入模型。

1.2高级API

paddle.Model.fit (训练接口，同时带有参数保存的功能)
paddle.Model.save
paddle.Model.load

2.训练调优场景的模型&参数保存载入

2.1动态图参数保存载入

2.1.1参数保存

参数保存时，先获取目标对象（Layer或者Optimzier）的state_dict，然后将state_dict保存至磁盘

# save
paddle.save(layer.state_dict(), "linear_net.pdparams")
paddle.save(adam.state_dict(), "adam.pdopt")

obj (Object) – 要保存的对象实例。
path (str|BytesIO) – 保存对象实例的路径/内存对象。如果存储到当前路径，输入的path字符串将会作为保存的文件名。

2.1.2参数载入

参数载入时，先从磁盘载入保存的state_dict，然后通过set_state_dict方法配置到目标对象中

# load
layer_state_dict = paddle.load("linear_net.pdparams")
opt_state_dict = paddle.load("adam.pdopt")layer.set_state_dict(layer_state_dict)
adam.set_state_dict(opt_state_dict)

2.2静态图参数保存载入

2.2.1参数保存

仅保存参数时

paddle.save(prog.state_dict(), "temp/model.pdparams")

保存模型和参数

paddle.save(prog, "temp/model.pdmodel")

2.2.2参数加载

仅保存参数的加载

state_dict = paddle.load("temp/model.pdparams")
prog.set_state_dict(state_dict)

保存了参数和模型的加载

prog = paddle.load("temp/model.pdmodel")

3.训练部署场景的模型参数保存载入

3.1 动态图模型&参数保存载入（训练推理）

若要同时保存/载入动态图模型结构和参数，可以使用 paddle.jit.save/load 实现。

3.1.1动转静训练 + 模型&参数保存

动转静训练相比直接使用动态图训练具有更好的执行性能，训练完成后，直接将目标Layer传入 paddle.jit.save 保存即可。

3.1.2 动态图训练 + 模型&参数保存

动态图模式相比动转静模式更加便于调试，如果你仍需要使用动态图直接训练，也可以在动态图训练完成后调用 paddle.jit.save 直接保存模型和参数。

3.1.3 动态图模型&参数载入

载入模型参数，使用 paddle.jit.load 载入即可，载入后得到的是一个Layer的派生类对象 TranslatedLayer ， TranslatedLayer 具有Layer具有的通用特征，支持切换 train 或者 eval 模式，可以进行模型调优或者预测。

3.2 静态图模型&参数保存载入（推理部署）

保存/载入静态图推理模型，可以通过 paddle.static.save/load_inference_model 实现。

3.2.1静态图推理模型&参数保存

静态图导出推理模型需要指定导出路径、输入、输出变量以及执行器。 save_inference_model 会裁剪Program的冗余部分，并导出两个文件： path_prefix.pdmodel 、 path_prefix.pdiparams 。

# Save the inference model
path_prefix = "./infer_model"
paddle.static.save_inference_model(path_prefix, [image], [hidden_b], exe)

3.2.2静态图推理模型&参数载入

载入静态图推理模型时，输入给 load_inference_model 的路径必须与 save_inference_model 的一致。

[inference_program, feed_target_names, fetch_targets] = (paddle.static.load_inference_model(path_prefix, exe))
tensor_img = np.array(np.random.random((64, 784)), dtype=np.float32)
results = exe.run(inference_program,feed={feed_target_names[0]: tensor_img},fetch_list=fetch_targets)

paddlepaddle（六）模型保存与载入相关推荐

『TensorFlow』模型保存和载入方法汇总
一.TensorFlow常规模型加载方法保存模型 tf.train.Saver()类,.save(sess, ckpt文件目录)方法参数名称功能说明默认值 var_list Saver中存储变 ...
Tensorflow训练的模型，如何保存与载入？
Tensorflow训练的模型,如何保存与载入? 目的:学习tensorflow框架的DNN,掌握如何将tensorflow训练得到的模型保存并载入,做预测? 内容: 1.tensorflow模型保存 ...
PaddlePaddle飞桨OCR文本检测——更改模型保存间隔（六）
先看配置文件中关于保存的参数 epoch_num: 总的训练轮数 print_batch_step: 每隔多少个batch打印一回信息 save_model_dir: 模型保存路径 save_epoc ...
ML之nyoka：基于nyoka库利用LGBMClassifier模型实现对iris数据集训练、保存为pmml模型并重新载入pmml模型进而实现推理
ML之nyoka:基于nyoka库利用LGBMClassifier模型实现对iris数据集训练.保存为pmml模型并重新载入pmml模型进而实现推理目录基于nyoka库利用LGBMClassifi ...
TF：利用TF的train.Saver将训练好的W、b模型文件保存+新建载入刚训练好模型(用于以后预测新的数据)
TF:利用TF的train.Saver将训练好的W.b模型文件保存+新建载入刚训练好模型(用于以后预测新的数据) 目录输出结果代码设计输出结果代码设计 import tensorflow as ...
Keras保存和载入训练好的模型和参数
1.保存模型 my_model = create_model_function( ...... )my_model.compile( ...... )my_model.fit( ...... )mod ...
Pytorch(4)-模型保存-载入-eval()
模型保存与提取 1. 整个模型保存-载入 2. 仅模型参数保存-载入 3. GPU/CPU模型保存与导入 4. net.eval()--固定模型随机项神经网络模型在线训练完之后需要保存下来,以便 ...
tensorboard ckpt pb 模型的输出节点_FlyAI小课堂：Tensorflow-模型和数据的保存和载入...
在开始学习之前推荐大家可以多在FlyAI竞赛服务平台多参加训练和竞赛,以此来提升自己的能力.FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台.每周免费提供项目开源算法样例,支持 ...
pytorch多卡并行模型的保存与载入
pytorch多卡并行模型的保存与载入当模型是在数据并行方式在多卡上进行训练的训练和保存,那么载入的时候也是一样需要是多卡.并且,load_state_dict()函数的调用要放在DataParal ...

paddlepaddle（六）模型保存与载入

1.API分类

1.1基础API

1.2高级API

2.训练调优场景的模型&参数保存载入

2.1动态图参数保存载入

2.2静态图参数保存载入

3.训练部署场景的模型参数保存载入

3.1 动态图模型&参数保存载入（训练推理）

3.2 静态图模型&参数保存载入（推理部署）

paddlepaddle（六）模型保存与载入相关推荐

最新文章

热门文章