PyTorch：模型save和load

红太狼 2022-11-20 12:57 234阅读 0赞

[\-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。\[[python模块 - pickle模块][python_ - pickle]\]  
**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。

\[[Pytorch学习（十七）--- 模型load各种问题解决][Pytorch_--- _load]\]

### 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。

\[[PyTorch 中模型的使用][PyTorch]\]

from: [\-柚子皮-][-_-]

ref: \[[SAVING AND LOADING MODELS][]\]

[-_-]: https://me.csdn.net/pipisorry
[python_ - pickle]: https://blog.csdn.net/pipisorry/article/details/45315483
[Pytorch_--- _load]: https://blog.csdn.net/Hungryof/article/details/81364487
[PyTorch]: https://zhuanlan.zhihu.com/p/73893187
[SAVING AND LOADING MODELS]: https://pytorch.org/tutorials/beginner/saving_loading_models.html