pytorch load state dict_学习Pytorch过程遇到的坑(持续更新中)
1. 关于单机多卡的处理:
在pytorch官网上有一个简单的示例:函数使用为:torch.nn.DataParallel(model, deviceids, outputdevice, dim)关键的在于model、device_ids这两个参数。
DATA PARALLELISMpytorch.org
但是官网的例子中没有讲到一个核心的问题:即所有的tensor必须要在同一个GPU上。这是网络运行的前提。这篇文章给了我很大的帮助,里面的例子也很好懂,很直观:
pytorch: 一机多卡训练的尝试www.jianshu.com
一般来说有两种数据迁移的方法:
1)是先定义一个device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')【这里面已经定义了device在卡0上“cuda:0”】
然后将model = torch.nn.DataParallel(model,devices_ids=[0, 1, 2])(假设有三张卡)
此后需要将tensor 也迁移到GPU上去。注意所有的tensor必须要在同一张GPU上面
即:tensor1 = tensor1.to(device), tensor2 = tensor2.to(device)等等
(可能有人会问了,我并没有指定那一块GPU啊,怎么这样也没有出错啊?
原因很简单,因为一开始的device中已经指定了那一块卡了(卡的id为0))
2)第二中方法就是直接用tensor.cuda()的方法
即先model = torch.nn.DataParallel(model, device_ids=[0, 1, 2]) (假设有三块卡, 卡的ID 为0, 1, 2)
然后tensor1 = tensor1.cuda(0), tensor2=tensor2.cuda(0)等等。(我这里面把所有的tensor全放进ID 为 0 的卡里面,也可以将全部的tensor都放在ID 为1 的卡里面)
2 关于DataParallel的封装问题
在DataParallel中,没有和nn.Module一样多的特性。但是有些时候我们可能需要使用到如.fc这样的性质(.fc性质在nn.Module中有, 但是在DataParallel中没有)这个时候我们需要一个.Module属性来进行过渡。操作如下:
model
3 Pytorch中的数据导入潜规则
All pre-trained models expect input images normalized in the same way, i.e. mini-batches of 3-channel RGB images of shape (3 x H x W), where H and W are expected to be at least 224. The images have to be loaded in to a range of [0, 1] and then normalized using mean = [0.485, 0.456, 0.406] and std = [0.229, 0.224, 0.225]
所以我们在transform的时候可以先定义:normalized = torchvision.transforms.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)), 然后用的时候直接调用normalized就行了。
4 python中的某些包的版本不同也会导致程序运行失败。
如,今天遇到一个pillow包的问题。原先装的包的6.0.0版本的,但是在制作数据集的时候,训练集跑的好好的,一到验证集就开始无端报错。在确定程序无误之后,将程序放在别的环境中跑(也是pytorch环境),正常运行。于是经过几番查找,发现是pillow出了问题,于是乎卸载了原来的版本,重新装一个低一点的版本问题就解决了。这种版本问题的坑其实很多,而且每个人遇到的还都不尽相同,所以需要慢慢的去摸索才能发现问题所在。
5 关于CUDA 内存溢出的问题。
这个一般是因为batch_size 设置的比较大。(8G显存的话大概batch_size < = 64都ok, 如果还是报错的话,就在对半分 64, 32, 16, 8, 4等等)。而且这个和你的数据大小没什么太大的关系。因为我刚刚开始也是想可能是我训练集太大了,于是将数据集缩小了十倍,还是同样的报错。所以就想可能 batch_size的问题。最后果然是batchsize的问题。
6 关于模型导入
一般来说如果你的模型是再GPU上面训练的,那么如果你继续再GPU上面进行其他的后续操作(如迁移学习等)那么直接使用:
import torch
from torchvision import modelspre_trained_weight = torch.load('pre_trained_weight.pt') # pre_trained_weight.pt 是我在resnet18上面训练好的模型
resnet18 = models.resnet18(pretrained=False) # 导入框架
resnet18.load_state_dict(pre_trained_weight) # load_state_dict()函数表示导入当前权值,因为这个权值都是以字典的形式保存的
# 如果你模型在GPU上训练的,而且后续操作也在GPU上进行,那上面的操作就没啥毛病。但是…………
如果你模型在GPU上训练的,后续操作是在CPU上进行的话。那么还用上面的代码的话就会报错了。因为你模型在GPU上训练,其实其内部的某些数据格式和CPU上的不大一样。所以需要一个函数将GPU上的模型转化为CPU上的模型。这个工作在pytorch里面其实很简单。只要把上面的代码简单修改一下即可:(在torch.load函数里面加一个map_location='cpu'即可!)
import torch
from torchvision import modelspre_trained_weight = torch.load('pre_trained_weight.pt',map_location='cpu') # pre_trained_weight.pt 是我在resnet18上面训练好的模型
resnet18 = models.resnet18(pretrained=False) # 导入框架
resnet18.load_state_dict(pre_trained_weight) # load_state_dict()函数表示导入当前权值,因为这个权值都是以字典的形式保存的
7. 关于两次sort操作:
参考:https://blog.csdn.net/LXX516/article/details/78804884
前几天看SSD pytorch的源码发现了,有这样的一步操作,不得解,
于是查阅了一下资料和动手操作后发现了两次sort操作的神奇之处。
首先 sort操作没什么好说。它接收两个参数:dim和descending参数。dim表示的是从哪个维度进行排列,descending参数接收布尔类型的输入,表示结果是否按降序排列。两次sort操作的具体实施为。
import
从上面的分析中可以看到,两次sort操作得到的idx的意义是: 在保证原始元素的位置不变的情况下,可以表示排序情况(升序or降序)。
以上是原理,那么两次sort究竟用在什么地方呢?
还是上面哪个例子:
>>>x
tensor([[-0.1361, 0.4076, -0.8244, 0.9163],[-0.0997, -1.1689, -2.3145, 1.2334],[-0.4384, -1.6083, 1.7621, -0.9648]])
我想取x的第一行元素的前1个最小值, 第二行元素的前2个最小值,第三行元素的前3个最小值。该怎么操作呢?
根据上面的两次sort操作,我们得到idx
tensor([[1, 2, 0, 3],[2, 1, 0, 3],[2, 0, 3, 1]])
# 定义criterion
criterion = torch.tensor([1, 2, 3]).view(3, -1)
criterion = criterion.expand_as(idx)
>>>criterion
tensor([[1, 1, 1, 1],[2, 2, 2, 2],[3, 3, 3, 3]])
mask = idx < criterion
>>>mask
tensor([[0, 0, 1, 0],[0, 1, 1, 0],[1, 1, 0, 1]], dtype=torch.uint8)
# 可以看到,mask得到的就是我们所需要的索引。可以看到mask第一行只有一个1, 第二行有两个1,第三行有三个1.这里的1表示的True的意思,即得到这个数
>>>x[mask]
tensor([-0.8244, -1.1689, -2.3145, -0.4384, -1.6083, -0.9648]) # 最终结果
8. log_sum_exp的trick:
机器学习常见模式LogSumExp解密人工智能_机器人之家www.jqr.com
参考这篇文章,写的通俗易懂。大概介绍一下问题:
发现这个问题是前几天,这里面在进行exp操作的时候用x-x_max。当时很是疑惑。后来一看上面这篇文章才明白了。
一般来说
这样的结果并不意外,因为计算机的存储阶段误差导致的。基于这种情况的存在,所以人们想到了一个比较好的解决方法。具体怎么实现看看上面的链接便清楚了。
pytorch load state dict_学习Pytorch过程遇到的坑(持续更新中)相关推荐
- 图谱(学习地图)系列总结,持续更新中
目录 1.2022年最新前端学习路线图 2.2022年最新大数据学习路线图 3.2022年最新javaEE学习路线图 4.2022年最新UI/UE学习路线图 5.2022年java学习路线指南 6.J ...
- pytorch load state dict_PyTorch 学习笔记(五):Finetune和各层定制学习率
本文截取自<PyTorch 模型训练实用教程>,获取全文pdf请点击:https://github.com/tensor-yu/PyTorch_Tutorial @[toc] 我们知道一个 ...
- pytorch load state dict_Pytorch学习记录-使用Pytorch进行深度学习,保存和加载模型
新建 Microsoft PowerPoint 演示文稿 (2).jpg 保存和加载模型 在完成60分钟入门之后,接下来有六节tutorials和五节关于文本处理的tutorials.争取一天一节.不 ...
- linux的学习之旅(初学者)--持续更新中
具体Linux的信息建议先自己百度了解,本博客是笔者自己的学习记录,因此本博客是按照本人的学习进度及内容而写的,如有错误或者忘记的,欢迎留言告知. 进入Linux系统 Linux系统与Windows系 ...
- 《python编程从入门到实践》python入门级-学习笔记(1-2章)——持续更新中
CSDN的小伙伴们你们好~从今天起我开始自学编程了. 恭喜你关注到一个成长型账号. 一以来作为美术出身的TA,我无数次的向往能打出几行属于自己的代码.为了跟上时代的步伐,也为了能更加深入TA这个职业, ...
- 【Vue全家桶+SSR+Koa2全栈开发】项目搭建过程 整合 学习目录(持续更新中)
写在开头 大家好,这里是lionLoveVue,基础知识决定了编程思维,学如逆水行舟,不进则退.金三银四,为了面试也还在慢慢积累知识,Github上面可以直接查看所有前端知识点梳理,github传送门 ...
- Go语言开发学习笔记(持续更新中)
Go语言开发学习笔记(持续更新中) 仅供自我学习 更好的文档请选择下方 https://studygolang.com/pkgdoc https://www.topgoer.com/go%E5%9F% ...
- 【我的OpenGL学习进阶之旅】【持续更新】关于学习OpenGL的一些资料
目录 一.相关书籍 OpenGL 方面 C方面 NDK 线性代数 二.相关博客 2.0 一些比较官方的链接 2.1 OpenGL着色器语言相关 2.2 [[yfan]](https://segment ...
- C语言学习笔记Day3——持续更新中... ...
上一篇文章C语言学习笔记Day2--持续更新中- - 八. 容器 1. 一维数组 1.1 什么是一维数组 当数组中每个元素都只带有一个下标(第一个元素的下标为0, 第二个元素的下标为1, 以此类推)时 ...
最新文章
- Java SE 6之GUI:让界面更加绚丽(上)
- Java Vector
- python读文件去除空行_「34」Python文件操作经典案例:CSV文件的读与写
- “蜥蜴之尾”——长老木马四代分析报告
- 【ARM】Tiny4412裸板编程之MMU封装
- 循环斐波那契数列_每日一课 | 斐波那契数列的第n个项
- Bootstrap进度条的颜色
- Asp.Net SignalR - 简单聊天室实现
- mysql集群 自增_为什么我们要从MySQL迁移到TiDB?
- ISO 9001是什么?ISO 9001 质量管理体系详细介绍
- WORD目录三级标题行间距太大 目录标题行间距
- js获取url一级域名的方法
- 离线语音合成使用——科大讯飞or云知音or百度语音
- WAF防火墙有什么用
- 最简便的方法搭建Hexo+Github博客,基于Next主题
- 刘文文:603001操盘手坐庄内幕(转)
- asp.net网上商城系统VS开发sqlserver数据库web结构c#编程计算机网页源码项目
- 百度前端技术学院-斌斌学院-任务五
- python爬取前程无忧_Python爬取前程无忧网址,并保存为txt文件
- 水利工程资料管理软件
热门文章
- 【sql那些事】时间处理的一揽子事
- C#开发笔记之19-如何用C#实现优雅的Json解析(序列化/反序列化)方案?
- C#LeetCode刷题之#874-模拟行走机器人​​​​​​​(Walking Robot Simulation)
- MySQL常用数据类型
- mysql创建表语句和修改表语句
- sql中聚合函数和分组函数_SQL选择计数聚合函数-语法示例解释
- 让我们揭穿有关学习编码的主要神话
- 121_Power Query之R.Execute的read.xlsxODBC
- Django表单form
- ROS仿真-记一次错误 gazebo-2 process has died exit code 2