Pytorch模型的保存/复用/迁移实现代码

本文整理了Pytorch框架下模型的保存、复用、推理、再训练和迁移等实现。

模型的保存与复用

模型定义和参数打印

# 定义模型结构
class LenNet(nn.Module):
   def __init__(self):
       super(LenNet, self).__init__()
       self.conv = nn.Sequential(  # [batch, 1, 28, 28]
           nn.Conv2d(1, 8, 5, 2),  # [batch, 1, 28, 28]
           nn.ReLU(inplace=True),
           nn.MaxPool2d(2, 2),  # [batch, 8, 14, 14]
           nn.Conv2d(8, 16, 5),  # [batch, 16, 10, 10]
           nn.ReLU(inplace=True),
           nn.MaxPool2d(2, 2),  # [batch, 16, 5, 5]
       )
       self.fc = nn.Sequential(
           nn.Flatten(),
           nn.Linear(16*5*5, 128),
           nn.ReLU(inplace=True),
           nn.Linear(128, 64),
           nn.ReLU(inplace=True),
           nn.Linear(64, 10)
       )
   def forward(self, X):
       return self.fc(self.conv(X))

# 查看模型参数
# 网络模型中的参数model.state_dict()是以字典形式保存（实质上是collections模块中的OrderedDict）
model = LenNet()
print("Model's state_dict:")
for param_tensor in model.state_dict():
   print(param_tensor, "\t", model.state_dict()[param_tensor].size())
# 参数名中的fc和conv前缀是根据定义nn.Sequential()时的名字所确定。
# 参数名中的数字表示每个Sequential()中网络层所在的位置。
print(model.state_dict().keys())  # 打印键
print(model.state_dict().values())  # 打印值
# 优化器optimizer的参数打印类似
optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
print("Optimizer's state_dict:")
for var_name in optimizer.state_dict():
  print(var_name, "\t", optimizer.state_dict()[var_name])

模型保存

import os
# 指定保存的模型名称时Pytorch官方建议的后缀为.pt或者.pth
model_save_dir = './model_logs/'
model_save_path = os.path.join(model_save_dir, 'LeNet.pt')
torch.save(model.state_dict(), model_save_path)
# 在训练过程中保存某个条件下的最优模型，可以如下操作
best_model_state = deepcopy(model.state_dict())
torch.save(best_model_state, model_save_path)
# 下面这种方法是错误的，因为best_model_state只是model.state_dict()的引用，会随着训练的改变而改变
best_model_state = model.state_dict()
torch.save(best_model_state, model_save_path)

模型推理

def inference(data_iter, device, model_save_dir):
model = LeNet()  # 初始化现有模型的权重参数
   model.to(device)
   model_save_path = os.path.join(model_save_dir, 'LeNet.pt')
   # 如果本地存在模型，则加载本地模型参数覆盖原有模型
   if os.path.exists(model_save_path):
       loaded_paras = torch.load(model_save_path)
       model.load_state_dict(loaded_paras)
       model.eval()
   with torch.no_grad():  # 开始推理
       acc_sum, n = 0., 0
       for x, y in data_iter:
           x, y = x.to(device), y.to(device)
           logits = model(x)
           acc_sum += (logits.argmax(1) == y).float().sum().item()
           n += len(y)
       print("Accuracy in test data is : ", acc_sum / n)

模型再训练

class MyModel:
   def __init__(self,
                batch_size=64,
                epochs=5,
                learning_rate=0.001,
                model_save_dir='./MODEL'):
       self.batch_size = batch_size
       self.epochs = epochs
       self.learning_rate = learning_rate
       self.model_save_dir = model_save_dir
       self.model = LeNet()
   def train(self):
       train_iter, test_iter = load_dataset(self.batch_size)
       # 在训练过程中只保存网络权重，在再训练时只载入网络权重参数初始化网络训练。这里是核心部分，开始。
       if not os.path.exists(self.model_save_dir):
           os.makedirs(self.model_save_dir)
       model_save_path = os.path.join(self.model_save_dir, 'model.pt')
       if os.path.exists(model_save_path):
           loaded_paras = torch.load(model_save_path)
           self.model.load_state_dict(loaded_paras)
           print("#### 成功载入已有模型，进行再训练...")
       # 结束  
       optimizer = torch.optim.Adam(self.model.parameters(), lr=self.learning_rate)  
       device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
       self.model.to(device)
       for epoch in range(self.epochs):
           for i, (x, y) in enumerate(train_iter):
               x, y = x.to(device), y.to(device)
               loss, logits = self.model(x)
               optimizer.zero_grad()
               loss.backward()
               optimizer.step()  
               if i ％ 100 == 0:
                   acc = (logits.argmax(1) == y).float().mean()
                   print("Epochs[{}/{}]---batch[{}/{}]---acc {:.4}---loss {:.4}".format(
                       epoch, self.epochs, len(train_iter), i, acc, loss.item()))
           print("Epochs[{}/{}]--acc on test {:.4}".format(epoch, self.epochs,
                                                           self.evaluate(test_iter, self.model, device)))
           torch.save(self.model.state_dict(), model_save_path)
   @staticmethod
   def evaluate(data_iter, model, device):
       with torch.no_grad():
           acc_sum, n = 0.0, 0
           for x, y in data_iter:
               x, y = x.to(device), y.to(device)
               logits = model(x)
               acc_sum += (logits.argmax(1) == y).float().sum().item()
               n += len(y)
           return acc_sum / n

# 在保存参数的时候，将优化器参数、损失值等可一同保存，然后在恢复模型时连同其它参数一起恢复
model_save_path = os.path.join(model_save_dir, 'LeNet.pt')
torch.save({
           'epoch': epoch,
           'model_state_dict': model.state_dict(),
           'optimizer_state_dict': optimizer.state_dict(),
           'loss': loss,
           ...
           }, model_save_path)
# 加载方式如下
checkpoint = torch.load(model_save_path)
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
epoch = checkpoint['epoch']
loss = checkpoint['loss']

模型迁移

# 定义新模型NewLeNet 和LeNet区别在于新增了一个全连接层
class NewLenNet(nn.Module):
   def __init__(self):
       super(NewLenNet, self).__init__()
       self.conv = nn.Sequential(  # [batch, 1, 28, 28]
           nn.Conv2d(1, 8, 5, 2),  # [batch, 1, 28, 28]
           nn.ReLU(inplace=True),
           nn.MaxPool2d(2, 2),  # [batch, 8, 14, 14]
           nn.Conv2d(8, 16, 5),  # [batch, 16, 10, 10]
           nn.ReLU(inplace=True),
           nn.MaxPool2d(2, 2),  # [batch, 16, 5, 5]
       )
       self.fc = nn.Sequential(
           nn.Flatten(),
           nn.Linear(16*5*5, 128),
           nn.ReLU(inplace=True),
           nn.Linear(128, 64), # 这层以前和LeNet结构一致 可以用LeNet的参数来进行替换
           nn.ReLU(inplace=True),
           nn.Linear(64, 32),
           nn.ReLU(inplace=True),
           nn.Linear(32, 10)
       )
   def forward(self, X):
       return self.fc(self.conv(X))

# 定义替换函数 匹配两个网络 size相同处地方进行参数替换
def para_state_dict(model, model_save_dir):
   state_dict = deepcopy(model.state_dict())
   model_save_path = os.path.join(model_save_dir, 'model.pt')
   if os.path.exists(model_save_path):
       loaded_paras = torch.load(model_save_path)
       for key in state_dict:  # 在新的网络模型中遍历对应参数
           if key in loaded_paras and state_dict[key].size() == loaded_paras[key].size():
               print("成功初始化参数:", key)
               state_dict[key] = loaded_paras[key]
   return state_dict

# 更新一下模型迁移后的训练代码
def train(self):
       train_iter, test_iter = load_dataset(self.batch_size)
       if not os.path.exists(self.model_save_dir):
           os.makedirs(self.model_save_dir)
       model_save_path = os.path.join(self.model_save_dir, 'model_new.pt')
       old_model = os.path.join(self.model_save_dir, 'LeNet.pt')
       if os.path.exists(old_model):
           state_dict = para_state_dict(self.model, self.model_save_dir)  # 调用迁移代码 将LeNet的前几层参数迁移到NewLeNet
           self.model.load_state_dict(state_dict)
           print("#### 成功载入已有模型，进行再训练...")
       optimizer = torch.optim.Adam(self.model.parameters(), lr=self.learning_rate)  
       device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
       self.model.to(device)
       for epoch in range(self.epochs):
           for i, (x, y) in enumerate(train_iter):
               x, y = x.to(device), y.to(device)
               loss, logits = self.model(x)
               optimizer.zero_grad()
               loss.backward()
               optimizer.step()  
               if i ％ 100 == 0:
                   acc = (logits.argmax(1) == y).float().mean()
                   print("Epochs[{}/{}]---batch[{}/{}]---acc {:.4}---loss {:.4}".format(
                       epoch, self.epochs, len(train_iter), i, acc, loss.item()))
           print("Epochs[{}/{}]--acc on test {:.4}".format(epoch, self.epochs,
                                                           self.evaluate(test_iter, self.model, device)))
           torch.save(self.model.state_dict(), model_save_path)

# 这里更新未进行训练的推理
def inference(data_iter, device, model_save_dir='./MODEL'):
   model = NewLeNet()  # 初始化现有模型的权重参数
   print("初始化参数 conv.0.bias 为：", model.state_dict()['conv.0.bias'])
   model.to(device)
   state_dict = para_state_dict(model, model_save_dir) # 迁移模型参数
   model.load_state_dict(state_dict)
   model.eval()
   print("载入本地模型重新初始化 conv.0.bias 为：", model.state_dict()['conv.0.bias'])
   with torch.no_grad():
       acc_sum, n = 0.0, 0
       for x, y in data_iter:
           x, y = x.to(device), y.to(device)
           logits = model(x)
           acc_sum += (logits.argmax(1) == y).float().sum().item()
           n += len(y)
       print("Accuracy in test data is :", acc_sum / n)

参考文献

[1] https://github.com/moon-hotel/DeepLearningWithMe

来源：https://www.cnblogs.com/yuxuliang/p/Mytorch_01.html