第三章

完结
2025-10-20 21:33:46 +08:00 · 2019-07-11 11:16:01 +08:00
parent 97e6b995fc
commit e648eab087
2 changed files with 273 additions and 2 deletions
--- a/Content.md
+++ b/Content.md
@ -22,7 +22,7 @@
 ### 1.微调基于torchvision 0.3的目标检测模型
 ### 2.微调TorchVision模型
 ### 3.Spatial Transformer Networks
-### 4.使用PyTorch进行神经传递
+### 4.使用PyTorch进行神经网络风格迁移
 ### 5.对抗性示例生成
 ### 6.使用ONNX将模型转移至Caffe2和Mobile

@ -30,7 +30,7 @@
 ### 1.Chatbot教程
 ### 2.使用字符级RNN生成名称
 ### 3.使用字符级RNN对名称进行分类
-### 4.深入学习NLP
+### 4.深度学习NLP
 ### 5.用序列翻译网络和注意的顺序

 ## 第六章：PyTorch之生成对抗网络
--- a/ThirdSection/SaveModel.md
+++ b/ThirdSection/SaveModel.md
@ -0,0 +1,271 @@
+# 保存和加载模型
+
+当保存和加载模型时，需要熟悉三个核心功能：
+
+1. `torch.save`：将序列化对象保存到磁盘。此函数使用Python的`pickle`模块进行序列化。使用此函数可以保存如模型、tensor、字典等各种对象。
+2. `torch.load`：使用pickle的`unpickling`功能将pickle对象文件反序列化到内存。此功能还可以有助于设备加载数据。
+3. `torch.nn.Module.load_state_dict`：使用反序列化函数 state_dict 来加载模型的参数字典。
+
+## 1.什么是状态字典：state_dict?
+
+在PyTorch中，`torch.nn.Module`模型的可学习参数（即权重和偏差）包含在模型的参数中，（使用`model.parameters()`可以进行访问）。
+`state_dict`是Python字典对象，它将每一层映射到其参数张量。注意，只有具有可学习参数的层（如卷积层，线性层等）的模型
+才具有`state_dict`这一项。目标优化`torch.optim`也有`state_dict`属性，它包含有关优化器的状态信息，以及使用的超参数。
+
+因为state_dict的对象是Python字典，所以它们可以很容易的保存、更新、修改和恢复，为PyTorch模型和优化器添加了大量模块。
+
+下面通过从简单模型训练一个[分类器](https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html#sphx-glr-beginner-blitz-cifar10-tutorial-py)中来了解一下`state_dict`的使用。
+```buildoutcfg
+# 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)
+
+# 打印模型的状态字典
+print("Model's state_dict:")
+for param_tensor in model.state_dict():
+    print(param_tensor, "\t", model.state_dict()[param_tensor].size())
+
+# 打印优化器的状态字典
+print("Optimizer's state_dict:")
+for var_name in optimizer.state_dict():
+    print(var_name, "\t", optimizer.state_dict()[var_name])
+```
+* 输出
+```buildoutcfg
+Model's state_dict:
+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])
+
+Optimizer's state_dict:
+state    {}
+param_groups     [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [4675713712, 4675713784, 4675714000, 4675714072, 4675714216, 4675714288, 4675714432, 4675714504, 4675714648, 4675714720]}]
+```
+
+## 2.保存和加载推理模型
+### 2.1 保存/加载`state_dict`（推荐使用）
+* 保存
+```buildoutcfg
+torch.save(model.state_dict(), PATH)
+```
+* 加载
+```buildoutcfg
+model = TheModelClass(*args, **kwargs)
+model.load_state_dict(torch.load(PATH))
+model.eval()
+```
+当保存好模型用来推断的时候，只需要保存模型学习到的参数，使用`torch.save()`函数来保存模型`state_dict`,它会给模型恢复提供
+最大的灵活性，这就是为什么要推荐它来保存的原因。
+
+在 PyTorch 中最常见的模型保存使<font color='blue'>‘.pt’</font>或者是‘.pth’作为模型文件扩展名。
+
+请记住，在运行推理之前，务必调用`model.eval()`去设置 dropout 和 batch normalization 层为评估模式。如果不这么做，可能导致
+模型推断结果不一致。
+
+* 注意
+
+`load_state_dict()`函数只接受字典对象，而不是保存对象的路径。这就意味着在你传给`load_state_dict()`函数之前，你必须反序列化
+你保存的`state_dict`。例如，你无法通过 `model.load_state_dict(PATH)`来加载模型。
+
+### 2.2 保存/加载完整模型
+* 保存
+```buildoutcfg
+torch.save(model, PATH)
+```
+* 加载
+```buildoutcfg
+# 模型类必须在此之前被定义
+model = torch.load(PATH)
+model.eval()
+```
+此部分保存/加载过程使用最直观的语法并涉及最少量的代码。以 Python `pickle 模块的方式来保存模型。这种方法的缺点是序列化数据受
+限于某种特殊的类而且需要确切的字典结构。这是因为pickle无法保存模型类本身。相反，它保存包含类的文件的路径，该文件在加载时使用。
+因此，当在其他项目使用或者重构之后，您的代码可能会以各种方式中断。
+
+在 PyTorch 中最常见的模型保存使用‘.pt’或者是‘.pth’作为模型文件扩展名。
+
+请记住，在运行推理之前，务必调用`model.eval() `设置 dropout 和 batch normalization 层为评估模式。如果不这么做，可能导致模型推断结果不一致。
+
+## 3. 保存和加载 Checkpoint 用于推理/继续训练
+* 保存
+```
+torch.save({
+            'epoch': epoch,
+            'model_state_dict': model.state_dict(),
+            'optimizer_state_dict': optimizer.state_dict(),
+            'loss': loss,
+            ...
+            }, PATH)
+```
+* 加载
+```buildoutcfg
+model = TheModelClass(*args, **kwargs)
+optimizer = TheOptimizerClass(*args, **kwargs)
+
+checkpoint = torch.load(PATH)
+model.load_state_dict(checkpoint['model_state_dict'])
+optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
+epoch = checkpoint['epoch']
+loss = checkpoint['loss']
+
+model.eval()
+# - or -
+model.train()
+```
+当保存成 Checkpoint 的时候，可用于推理或者是继续训练，保存的不仅仅是模型的 state_dict 。保存优化器的 state_dict 也很重要,
+因为它包含作为模型训练更新的缓冲区和参数。你也许想保存其他项目，比如最新记录的训练损失，外部的`torch.nn.Embedding`层等等。
+
+要保存多个组件，请在字典中组织它们并使用`torch.save()`来序列化字典。PyTorch 中常见的保存checkpoint 是使用 .tar 文件扩展名。
+
+要加载项目，首先需要初始化模型和优化器，然后使用`torch.load()`来加载本地字典。这里,你可以非常容易的通过简单查询字典来访问你所保存的项目。
+
+请记住在运行推理之前，务必调用`model.eval()`去设置 dropout 和 batch normalization 为评估。如果不这样做，有可能得到不一致的推断结果。
+如果你想要恢复训练，请调用`model.train()`以确保这些层处于训练模式。
+
+## 4. 在一个文件中保存多个模型
+* 保存
+```buildoutcfg
+torch.save({
+            'modelA_state_dict': modelA.state_dict(),
+            'modelB_state_dict': modelB.state_dict(),
+            'optimizerA_state_dict': optimizerA.state_dict(),
+            'optimizerB_state_dict': optimizerB.state_dict(),
+            ...
+            }, PATH)
+```
+* 加载
+```buildoutcfg
+modelA = TheModelAClass(*args, **kwargs)
+modelB = TheModelBClass(*args, **kwargs)
+optimizerA = TheOptimizerAClass(*args, **kwargs)
+optimizerB = TheOptimizerBClass(*args, **kwargs)
+
+checkpoint = torch.load(PATH)
+modelA.load_state_dict(checkpoint['modelA_state_dict'])
+modelB.load_state_dict(checkpoint['modelB_state_dict'])
+optimizerA.load_state_dict(checkpoint['optimizerA_state_dict'])
+optimizerB.load_state_dict(checkpoint['optimizerB_state_dict'])
+
+modelA.eval()
+modelB.eval()
+# - or -
+modelA.train()
+modelB.train()
+```
+当保存一个模型由多个`torch.nn.Modules`组成时，例如GAN(对抗生成网络)、sequence-to-sequence (序列到序列模型), 或者是多个模
+型融合, 可以采用与保存常规检查点相同的方法。换句话说，保存每个模型的 state_dict 的字典和相对应的优化器。如前所述，可以通
+过简单地将它们附加到字典的方式来保存任何其他项目，这样有助于恢复训练。
+
+PyTorch 中常见的保存 checkpoint 是使用 .tar 文件扩展名。
+
+要加载项目，首先需要初始化模型和优化器，然后使用`torch.load()`来加载本地字典。这里，你可以非常容易的通过简单查询字典来访问你所保存的项目。
+
+请记住在运行推理之前，务必调用`model.eval()`去设置 dropout 和 batch normalization 为评估。如果不这样做，有可能得到不一致的推断结果。
+如果你想要恢复训练，请调用`model.train()`以确保这些层处于训练模式。
+
+## 5. 使用在不同模型参数下的热启动模式
+* 保存
+```buildoutcfg
+torch.save(modelA.state_dict(), PATH)
+```
+* 加载
+```buildoutcfg
+modelB = TheModelBClass(*args, **kwargs)
+modelB.load_state_dict(torch.load(PATH), strict=False)
+```
+在迁移学习或训练新的复杂模型时，部分加载模型或加载部分模型是常见的情况。利用训练好的参数，有助于热启动训练过程，并希望帮助你的模型比从头开始训练能够更快地收敛。
+
+无论是从缺少某些键的 state_dict 加载还是从键的数目多于加载模型的 state_dict , 都可以通过在`load_state_dict()`函数中将`strict`参数设置为 False 来忽略非匹配键的函数。
+
+如果要将参数从一个层加载到另一个层，但是某些键不匹配，主要修改正在加载的 state_dict 中的参数键的名称以匹配要在加载到模型中的键即可。
+
+## 6. 通过设备保存/加载模型
+### 6.1 保存到 CPU、加载到 CPU
+* 保存
+```buildoutcfg
+torch.save(model.state_dict(), PATH)
+```
+* 加载
+```buildoutcfg
+device = torch.device('cpu')
+model = TheModelClass(*args, **kwargs)
+model.load_state_dict(torch.load(PATH, map_location=device))
+```
+当从CPU上加载模型在GPU上训练时, 将`torch.device('cpu')`传递给`torch.load()`函数中的`map_location`参数.在这种情况下，使用
+`map_location`参数将张量下的存储器动态的重新映射到CPU设备。
+
+### 6.2 保存到 GPU、加载到 GPU 
+* 保存
+```buildoutcfg
+torch.save(model.state_dict(), PATH)
+```
+* 加载
+```buildoutcfg
+device = torch.device("cuda")
+model = TheModelClass(*args, **kwargs)
+model.load_state_dict(torch.load(PATH))
+model.to(device)
+# 确保在你提供给模型的任何输入张量上调用input = input.to(device)
+```
+当在GPU上训练并把模型保存在GPU，只需要使用`model.to(torch.device('cuda'))`，将初始化的 model 转换为 CUDA 优化模型。另外，请
+务必在所有模型输入上使用`.to(torch.device('cuda'))`函数来为模型准备数据。请注意，调用`my_tensor.to(device)`会在GPU上返回`my_tensor`的副本。
+因此，请记住手动覆盖张量：`my_tensor= my_tensor.to(torch.device('cuda'))`。
+
+### 6.3 保存到 CPU，加载到 GPU
+* 保存
+```buildoutcfg
+torch.save(model.state_dict(), PATH)
+```
+* 加载
+```buildoutcfg
+device = torch.device("cuda")
+model = TheModelClass(*args, **kwargs)
+model.load_state_dict(torch.load(PATH, map_location="cuda:0"))  # Choose whatever GPU device number you want
+model.to(device)
+# 确保在你提供给模型的任何输入张量上调用input = input.to(device)
+```
+在CPU上训练好并保存的模型加载到GPU时，将`torch.load()`函数中的`map_location`参数设置为`cuda:device_id`。这会将模型加载到
+指定的GPU设备。接下来，请务必调用`model.to(torch.device('cuda'))`将模型的参数张量转换为 CUDA 张量。最后，确保在所有模型输入上使用 
+`.to(torch.device('cuda'))`函数来为CUDA优化模型。请注意，调用`my_tensor.to(device)`会在GPU上返回`my_tensor`的新副本。它不会覆盖`my_tensor`。
+因此， 请手动覆盖张量`my_tensor = my_tensor.to(torch.device('cuda'))`。
+
+### 6.4 保存 `torch.nn.DataParallel` 模型
+* 保存
+```buildoutcfg
+torch.save(model.module.state_dict(), PATH)
+```
+* 加载
+```buildoutcfg
+# 加载任何你想要的设备
+```
+`torch.nn.DataParallel`是一个模型封装，支持并行GPU使用。要普通保存 DataParallel 模型, 请保存`model.module.state_dict()`。
+这样，你就可以非常灵活地以任何方式加载模型到你想要的设备中。