如何在 PyTorch 中保存经过训练的模型？ [关闭]

在他们的 github 存储库中找到 this page：

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）只保存和加载模型参数：torch.save(the_model.state_dict(), PATH) 然后稍后：the_model = TheModelClass(*args, **kwargs) the_model.load_state_dict(torch.load(PATH))第二个保存并加载整个模型：torch.save(the_model, PATH) 然后稍后：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和使用的确切目录结构，所以在其他项目中使用时，或者经过一些严重的重构后，它可能会以各种方式出现故障。

另请参阅：PyTorch 官方教程中的 Save and Load the Model 部分。

---

这取决于你想做什么。

案例 1：保存模型以供自己用于推理：您保存模型，恢复它，然后将模型更改为评估模式。这样做是因为您通常有 BatchNorm 和 Dropout 层，它们在构造时默认处于训练模式：

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

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

案例#2：保存模型以便稍后恢复训练：如果您需要继续训练您将要保存的模型，您需要保存的不仅仅是模型。您还需要保存优化器的状态、时期、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，您需要执行以下操作：state = torch.load(filepath)，然后恢复每个单独对象的状态，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，一旦您在加载时恢复状态，请勿调用 model.eval()。

案例 #3：其他人无法访问您的代码使用的模型：在 Tensorflow 中，您可以创建一个 .pb 文件来定义模型的架构和权重。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是：

torch.save(model, filepath)

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

这种方式仍然不是防弹的，而且由于 pytorch 仍在经历很多变化，我不推荐它。

---

pickle Python 库实现了用于序列化和反序列化 Python 对象的二进制协议。

当您import torch（或当您使用 PyTorch）时，它会为您import pickle，您无需直接调用 pickle.dump() 和 pickle.load()，它们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()。

state_dict 提到的另一个答案值得多加注意。

PyTorch 中有什么 state_dict？实际上有两个 state_dict。

PyTorch 模型是 torch.nn.Module，它调用 model.parameters() 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，就会随着我们的学习而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 是优化器状态字典。您还记得优化器用于改进我们的可学习参数。但是优化器 state_dict 是固定的。那里没什么可学的。

由于 state_dict 对象是 Python 字典，因此可以轻松保存、更新、更改和恢复它们，从而为 PyTorch 模型和优化器增加了大量的模块化。

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]}]

请注意，这是一个最小模型。您可以尝试添加顺序堆栈

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 中有条目。

不可学习的东西属于优化器对象 state_dict，其中包含有关优化器状态的信息，以及使用的超参数。

故事的其余部分是一样的。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。所以对于推理，我们只需要保存参数 model.state_dict()。

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

并稍后使用 model.load_state_dict(torch.load(filepath)) model.eval()

注意：不要忘记最后一行 model.eval()，这在加载模型后至关重要。

也不要尝试保存 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，但请记住该模型没有优化器的 state_dict。检查@Jadiel de Armas 的另一个出色答案以保存优化器的状态字典。

---

一个常见的 PyTorch 约定是使用 .pt 或 .pth 文件扩展名保存模型。

保存/加载整个模型

节省：

path = "username/directory/lstmmodelgpu.pth"
torch.save(trainer, path)

加载：

（模型类必须在某处定义）

model.load_state_dict(torch.load(PATH))
model.eval()

---

如果您想保存模型并希望稍后恢复训练：

单 GPU：保存：

state = {
        'epoch': epoch,
        'state_dict': model.state_dict(),
        'optimizer': optimizer.state_dict(),
}
savepath='checkpoint.t7'
torch.save(state,savepath)

加载：

checkpoint = torch.load('checkpoint.t7')
model.load_state_dict(checkpoint['state_dict'])
optimizer.load_state_dict(checkpoint['optimizer'])
epoch = checkpoint['epoch']

多个 GPU：保存

state = {
        'epoch': epoch,
        'state_dict': model.module.state_dict(),
        'optimizer': optimizer.state_dict(),
}
savepath='checkpoint.t7'
torch.save(state,savepath)

加载：

checkpoint = torch.load('checkpoint.t7')
model.load_state_dict(checkpoint['state_dict'])
optimizer.load_state_dict(checkpoint['optimizer'])
epoch = checkpoint['epoch']

#Don't call DataParallel before loading the model otherwise you will get an error

model = nn.DataParallel(model) #ignore the line if you want to load on Single GPU

---

本地保存

保存模型的方式取决于将来要如何访问它。如果您可以调用 model 类的新实例，那么您只需使用 model.state_dict() 保存/加载模型的权重：

# Save:
torch.save(old_model.state_dict(), PATH)

# Load:
new_model = TheModelClass(*args, **kwargs)
new_model.load_state_dict(torch.load(PATH))

如果由于某种原因您不能（或者更喜欢更简单的语法），那么您可以使用 torch.save() 保存整个模型（实际上是对定义模型的文件及其 state_dict 的引用）：

# Save:
torch.save(old_model, PATH)

# Load:
new_model = torch.load(PATH)

但是因为这是对定义模型类的文件位置的引用，所以除非这些文件也被移植到相同的目录结构中，否则这段代码是不可移植的。

保存到云端 - TorchHub

如果您希望您的模型是可移植的，您可以轻松地使用 torch.hub 将其导入。如果您将适当定义的 hubconf.py 文件添加到 github 存储库，则可以在 PyTorch 中轻松调用它，以使用户能够加载带有/不带有权重的模型：

hubconf.py (github.com/repo_owner/repo_name)

dependencies = ['torch']
from my_module import mymodel as _mymodel

def mymodel(pretrained=False, **kwargs):
    return _mymodel(pretrained=pretrained, **kwargs)

加载模型：

new_model = torch.hub.load('repo_owner/repo_name', 'mymodel')
new_model_pretrained = torch.hub.load('repo_owner/repo_name', 'mymodel', pretrained=True)

---

pip install pytorch-lightning

确保您的父模型使用 pl.LightningModule 而不是 nn.Module

Saving and loading checkpoints using pytorch lightning

import pytorch_lightning as pl

model = MyLightningModule(hparams)
trainer.fit(model)
trainer.save_checkpoint("example.ckpt")
new_model = MyModel.load_from_checkpoint(checkpoint_path="example.ckpt")

---

我总是喜欢使用 Torch7 (.t7) 或 Pickle (.pth, .pt) 来保存 pytorch 模型的权重。

---

这些天一切都写在官方教程中：https://pytorch.org/tutorials/beginner/saving_loading_models.html

您有几个关于如何保存和保存什么的选项，所有这些都在该教程中进行了解释。

---