1. 背景：

使用 mindspore 学习神经网络，打卡第8天；

2. 训练的内容：

为了微调（fine-tune）和后续的模型推理与部署，因此需要保存模型的参数，本小结主要训练保存模型。

3. 常见的用法小节：

模型的保存与加载：

• 保存与加载模型的参数
• 保存与加载模型的统一的中间结果

3.1 定义网络：

定义网络

import numpy as np
import mindspore
from mindspore import nn
from mindspore import Tensordef network():model = nn.SequentialCell(nn.Flatten(),nn.Dense(28*28, 512),nn.ReLU(),nn.Dense(512, 512),nn.ReLU(),nn.Dense(512, 10))return model

3.2 保存与加载模型参数

保存模型参数与加载模型参数

# 保存模型使用save_checkpoint接口，传入网络和指定的保存路径
model = network()
mindspore.save_checkpoint(model, "model.ckpt")# 要加载模型权重，需要先创建相同模型的实例，然后使用load_checkpoint和load_param_into_net方法加载参数
model = network()
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)
print(param_not_load)

3.3 保存与加载模型推理的中间结果

MindSpore 提供了云侧（训练）和端侧（推理）统一的中间表示（Intermediate Representation，IR）。可使用export接口直接将模型保存为MindIR

# MindIR同时保存了Checkpoint和模型结构，
# 因此需要定义输入Tensor来获取输入shape。
model = network()
inputs = Tensor(np.ones([1, 1, 28, 28]).astype(np.float32))
mindspore.export(model, inputs, file_name="model", file_format="MINDIR")# 已有的MindIR模型可以方便地通过load接口加载，传入nn.GraphCell即可进行推理。# nn.GraphCell 仅支持图模式
mindspore.set_context(mode=mindspore.GRAPH_MODE)
graph = mindspore.load("model.mindir")
model = nn.GraphCell(graph)
outputs = model(inputs)
print(outputs.shape)

4. 相关链接：

• https://xihe.mindspore.cn/events/mindspore-training-camp
• https://gitee.com/mindspore/docs/blob/r2.3.0rc2/tutorials/source_zh_cn/beginner/save_load.ipynb