在PyTorch中保存训练有素的模型的最佳方法？

Question

我在寻找其他方法来拯救一个在PyTorch训练过的模特。到目前为止，我已经找到了两种选择

1. torch.save()保存模型torch.load()加载模型
2. model.state_dict()保存经过训练的模型，model.load_state_dict()加载保存的模型

我遇到过这种情况，即建议采用方法2而不是方法1

我的问题是，为什么选择第二种方法？这仅仅是因为torch.nn模块具有这两个功能，我们被鼓励使用它们吗

Answer 1

我在他们的github repo上找到了this page，我将把内容粘贴到这里

---

保存模型的推荐方法

序列化和恢复模型有两种主要方法

第一个（推荐）仅保存和加载模型参数：

torch.save(the_model.state_dict(), PATH)

随后：

the_model = TheModelClass(*args, **kwargs)
the_model.load_state_dict(torch.load(PATH))

第二个选项保存并加载整个模型：

torch.save(the_model, PATH)

随后：

the_model = torch.load(PATH)

但是，在这种情况下，序列化数据绑定到特定的类 并且使用了精确的目录结构，因此当 在其他项目中使用，或在一些严重的重构之后使用

Answer 2

这取决于你想做什么

案例#1：保存模型以供自己进行推理：保存模型，恢复模型，然后将模型更改为评估模式。这样做是因为通常有BatchNorm和Dropout层，默认情况下，它们在构造时处于训练模式：

torch.save(model.state_dict(), filepath)

#Later to restore:
model.load_state_dict(torch.load(filepath))
model.eval()

案例#2：保存模型以稍后恢复训练：如果需要继续训练要保存的模型，则需要保存的不仅仅是模型。您还需要保存优化器的状态、时代、分数等。您可以这样做：

state = {
    'epoch': epoch,
    'state_dict': model.state_dict(),
    'optimizer': optimizer.state_dict(),
    ...
}
torch.save(state, filepath)

要恢复训练，您可以执行以下操作：state = torch.load(filepath)，然后恢复每个对象的状态，如下所示：

model.load_state_dict(state['state_dict'])
optimizer.load_state_dict(state['optimizer'])

由于您正在恢复训练，在加载时恢复状态后，不要调用model.eval()

案例#3：供无法访问您的代码的其他人使用的模型： 在Tensorflow中，您可以创建一个.pb文件来定义模型的体系结构和权重。这非常方便，特别是在使用Tensorflow serve时。在Pytorch中执行此操作的等效方法为：

torch.save(model, filepath)

# Then later:
model = torch.load(filepath)

这种方式仍然不是防弹的，因为pytorch仍在经历很多变化，所以我不推荐它

Answer 3

picklePython库实现用于序列化和反序列化Python对象的二进制协议

当您import torch（或使用PyTorch）时，它将为您import pickle，您不需要直接调用pickle.dump()和pickle.load()，这是保存和加载对象的方法

事实上，torch.save()和torch.load()将为您包装pickle.dump()和pickle.load()

答{}提到的另一个答案值得再多注意几点

PyTorch里面有什么？ 实际上有两个state_dict

PyTorch模型是torch.nn.Module，它有model.parameters()调用来获取可学习的参数（w和b）。 这些可学习的参数一旦随机设置，就会随着时间的推移而更新。 可学习的参数是第一个state_dict

第二个state_dict是优化器状态dict。您还记得优化器用于改进可学习的参数。但是优化器state_dict是固定的。那里没什么可学的

因为state_dict对象是Python字典，所以它们可以很容易地保存、更新、修改和恢复，从而为PyTorch模型和优化器添加了大量的模块性

让我们创建一个超级简单的模型来解释这一点：

import torch
import torch.optim as optim

model = torch.nn.Linear(5, 2)

# Initialize optimizer
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

print("Model's state_dict:")
for param_tensor in model.state_dict():
    print(param_tensor, "\t", model.state_dict()[param_tensor].size())

print("Model weight:")    
print(model.weight)

print("Model bias:")    
print(model.bias)

print("---")
print("Optimizer's state_dict:")
for var_name in optimizer.state_dict():
    print(var_name, "\t", optimizer.state_dict()[var_name])

此代码将输出以下内容：

Model's state_dict:
weight      torch.Size([2, 5])
bias      torch.Size([2])
Model weight:
Parameter containing:
tensor([[ 0.1328,  0.1360,  0.1553, -0.1838, -0.0316],
        [ 0.0479,  0.1760,  0.1712,  0.2244,  0.1408]], requires_grad=True)
Model bias:
Parameter containing:
tensor([ 0.4112, -0.0733], requires_grad=True)
---
Optimizer's state_dict:
state      {}
param_groups      [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [140695321443856, 140695321443928]}]

注意，这是一个最小模型。您可以尝试添加一堆连续数据

model = torch.nn.Sequential(
          torch.nn.Linear(D_in, H),
          torch.nn.Conv2d(A, B, C)
          torch.nn.Linear(H, D_out),
        )

请注意，只有具有可学习参数的层（卷积层、线性层等）和注册缓冲区（batchnorm层）在模型的state_dict中才有条目

不可学习的东西属于优化器对象state_dict，它包含有关优化器状态的信息以及所使用的超参数

故事的其余部分是相同的；在推理阶段（这是我们在训练后使用模型的阶段）进行预测；我们确实根据我们学到的参数进行预测。因此，对于推断，我们只需要保存参数model.state_dict()

torch.save(model.state_dict(), filepath)

以后再使用 model.load\u state\u dict（torch.load（filepath）） model.eval（）

注意：不要忘记最后一行model.eval()这在加载模型后是至关重要的

也不要试图保存torch.save(model.parameters(), filepath)。model.parameters()只是生成器对象

另一方面，torch.save(model, filepath)保存模型对象本身，但请记住，模型没有优化器的state_dict。检查@Jadiel de Armas的另一个优秀答案，以保存优化器的状态指令