PyTorch：模型save和load

-柚子皮-

神经网络训练后我们需要将模型进行保存，要用的时候将保存的模型进行加载。

PyTorch 中保存模型主要分为两类：保存整个模型和只保存模型参数。

A common PyTorch convention is to save models using either a .pt or .pth file extension.

保存加载整个模型（不推荐）

保存整个网络模型

（网络结构+权重参数）

torch.save(model, 'net.pth')

出错：

AttributeError: Can't pickle local object 'AtomicModel.get_metrics.<locals>.<lambda>'
AttributeError: Can't pickle local object 'AtomicModel._get_metrics.<locals>._accuracy_score'
原因：pickle不能序列化lambda函数，或者是闭包。[python模块 - pickle模块]
加载整个网络模型

（可能比较耗时）

model = torch.load('net.pth')

只保存加载模型参数（推荐）

保存模型的权重参数

（速度快，占内存少）

torch.save(model.state_dict(), 'net_params.pth')

load模型参数
因为我们只保存了模型的参数，所以需要先定义一个网络对象，然后再加载模型参数。

# 构建一个网络结构
model = ClassNet()
# 将模型参数加载到新模型中，torch.load 返回的是一个 OrderedDict，说明.state_dict()只是把所有模型的参数都以OrderedDict的形式存下来。
state_dict = torch.load('net_params.pth')
model.load_state_dict(state_dict)

Note: 保存模型进行推理测试时，只需保存训练好的模型的权重参数，即推荐第二种方法。

load_state_dict的参数Strict=False

new_model.load_state_dict(state_dict, strict=False)
如果哪一天我们需要重新写这个网络的，比如使用new_model，如果直接load会出现unexpected key。但是加上strict=False可以很容易地加载预训练的参数（注意检查key是否匹配），直接忽略不匹配的key，对于匹配的key则进行正常的赋值。

[Pytorch学习（十七）--- 模型load各种问题解决]

保存加载自定义模型

上面“保存加载整个模型”加载的 net.pt 其实一个字典，通常包含如下内容：

网络结构：输入尺寸、输出尺寸以及隐藏层信息，以便能够在加载时重建模型。
模型的权重参数：包含各网络层训练后的可学习参数，可以在模型实例上调用 state_dict() 方法来获取，比如只保存模型权重参数时用到的 model.state_dict()。
优化器参数：有时保存模型的参数需要稍后接着训练，那么就必须保存优化器的状态和所其使用的超参数，也是在优化器实例上调用 state_dict() 方法来获取这些参数。
其他信息：有时我们需要保存一些其他的信息，比如 epoch，batch_size 等超参数。

我们可以自定义需要save的内容

# saving a checkpoint assuming the network class named ClassNet
checkpoint = {'model': ClassNet(),
'model_state_dict': model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'epoch': epoch}
torch.save(checkpoint, 'checkpoint.pkl')
上面的 checkpoint 是个字典，里面有4个键值对，分别表示网络模型的不同信息。

然后我们要load上面保存的自定义的模型

def load_checkpoint(filepath):
checkpoint = torch.load(filepath)
model = checkpoint['model'] # 提取网络结构
model.load_state_dict(checkpoint['model_state_dict']) # 加载网络权重参数
optimizer = TheOptimizerClass()
optimizer.load_state_dict(checkpoint['optimizer_state_dict']) # 加载优化器参数

for parameter in model.parameters():
parameter.requires_grad = False
model.eval()

return model

model = load_checkpoint('checkpoint.pkl')

后续使用

如果加载模型只是为了进行推理测试，则将每一层的 requires_grad 置为 False，即固定这些权重参数；还需要调用 model.eval() 将模型置为测试模式，主要是将 dropout 和 batch normalization 层进行固定，否则模型的预测结果每次都会不同。

如果希望继续训练，则调用 model.train()，以确保网络模型处于训练模式。

跨设备保存加载模型

在 CPU 上加载在 GPU 上训练并保存的模型（Save on GPU, Load on CPU）：

device = torch.device('cpu')
model = TheModelClass()
# Load all tensors onto the CPU device
model.load_state_dict(torch.load('net_params.pkl', map_location=device))
map_location：a function, torch.device, string or a dict specifying how to remap storage locations

令 torch.load() 函数的 map_location 参数等于 torch.device('cpu') 即可。这里令 map_location 参数等于 'cpu' 也同样可以。

[PyTorch 中模型的使用]

from: -柚子皮-

ref: [SAVING AND LOADING MODELS]