学习计划

• 对代码中的保存模型进行更深入的了解
• 对预测部分进行编写（使用从未见过的数据）
• 对模型进行对比（一个基站的情况）

学习内容

how to save and load models in pytorch

保存和加载模型用到的核心函数：

• torch.save：保存序列化对象到磁盘中。可以使用这个函数保存models, tensors, dictionaries of all kinds of objects
• torch.load：数据加载
• torch.nn.Module.load_state_dict：使用state_dict加载模型参数

（1）什么是state_dict

在pytorch中，一个torch.nn.Model模型的可学习参数（比如权重或者偏置）保存在model.parameters()中。state_dict是一个Python字典，它将每一层映射到对应的参数张量。
例子：

定义一个模型

# Define model
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

实例化模型

# Initialize model
model = TheModelClass()

初始化优化器

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

查看模型的state_dict

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

结果：

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])

查看优化器的state_dict

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

结果：

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）保存模型

A、save/load state_dict（推荐）

save：

torch.save(model.state_dict(), 'save/to/path/model.pth')

load：

model = MyModelDefinition(args)
model.load_state_dict(torch.load('load/from/path/model.pth'))
model.eval()

在pytorch里，保存模型使用的文件后缀要么是“.pt”要么是“.pth”
在运行评估（inference）之前要使用model.eval()将dropout和批处理规范化层设置为评估模式。如果不这样做，将产生不一致的推理结果

Attention:
1️⃣load_state_dict函数接收的是字典，不能直接接收路径。
所以这样写就是错的：model.load_state_dict(PATH)❌
应该是：model.load_state_dict(torch.load(PATH))✔️
2️⃣如果想要保存best model，不能仅仅写成：best_model_state=model.state_dict()，因为这只是返回一个引用而不是复制下来了，需要写成：best_model_state=deepcopy(model.state_dict())。否则，最佳best_model_state将在随后的训练迭代中不断更新，进而导致最终的模型状态将是过拟合模型的状态。

B、save/load entire model

save:

torch.save(model, PATH)

load:

# Model class must be defined somewhere
model = torch.load(PATH)
model.eval()

（3）使用检查点（checkpoint）来保存和加载模型

通常ML pipeline需要定期或在满足条件时保存模型检查点。保存检查点是为了防止训练的时候因为一些莫名其妙的原因中断，这样就可以从最后或最佳检查点恢复训练。
但是仅仅保存模型的state_dict是不够的，还需要保存优化器的state_dict（因为这包含随着模型训练而更新的缓冲区和参数）以及最后的epoch number，loss, external torch.nn.Embedding layers等等。基本上需要存储所有的大小来使用检查点恢复训练。这样的检查点通常比单独的模型大2~3倍。
save:

torch.save({'epoch': epoch,'model_state_dict': model.state_dict(),'optimizer_state_dict': optimizer.state_dict(),'loss': loss,...}, PATH)

load:

model = MyModelDefinition(args)
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)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()

（4）在一个文件中保存多个模型

当要保存多个复杂的模型时，和创建检查点相同，需要保存每个模型的state_dict和相对于的优化器在一个字典中。如前所述，您可以保存任何其他可能有助于您恢复训练的项目，只需将它们添加到字典中。
save:

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)

加载模型，首先初始化模型和优化器，然后使用torch.load()在本地加载字典。
load:

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()