關于Pytorch中模型的保存與遷移問題
1 引言
各位朋友大家好，歡迎來到月來客棧。今天要和大家介紹的內(nèi)容是如何在Pytorch框架中對模型進行保存和載入、以及模型的遷移和再訓練。一般來說，最常見的場景就是模型完成訓練后的推斷過程。一個網(wǎng)絡模型在完成訓練后通常都需要對新樣本進行預測，此時就只需要構(gòu)建模型的前向傳播過程，然后載入已訓練好的參數(shù)初始化網(wǎng)絡即可。
第2個場景就是模型的再訓練過程。一個模型在一批數(shù)據(jù)上訓練完成之后需要將其保存到本地，并且可能過了一段時間后又收集到了一批新的數(shù)據(jù)，因此這個時候就需要將之前的模型載入進行在新數(shù)據(jù)上進行增量訓練（或者是在整個數(shù)據(jù)上進行全量訓練）。
第3個應用場景就是模型的遷移學習。這個時候就是將別人已經(jīng)訓練好的預模型拿過來，作為你自己網(wǎng)絡模型參數(shù)的一部分進行初始化。例如：你自己在Bert模型的基礎上加了幾個全連接層來做分類任務，那么你就需要將原始BERT模型中的參數(shù)載入并以此來初始化你的網(wǎng)絡中的BERT部分的權重參數(shù)。
在接下來的這篇文章中，筆者就以上述3個場景為例來介紹如何利用Pytorch框架來完成上述過程。
2 模型的保存與復用
在Pytorch中，我們可以通過torch.save()和torch.load()來完成上述場景中的主要步驟。下面，筆者將以之前介紹的LeNet5網(wǎng)絡模型為例來分別進行介紹。不過在這之前，我們先來看看Pytorch中模型參數(shù)的保存形式。
2.1 查看網(wǎng)絡模型參數(shù)
（1）查看參數(shù)
首先定義好LeNet5的網(wǎng)絡模型結(jié)構(gòu)，如下代碼所示：
class LeNet5(nn.Module):
def __init__(self, ):
super(LeNet5, self).__init__()
self.conv = nn.Sequential( # [n,1,28,28]
nn.Conv2d(1, 6, 5, padding=2), # in_channels, out_channels, kernel_size
nn.ReLU(), # [n,6,24,24]
nn.MaxPool2d(2, 2), # kernel_size, stride [n,6,14,14]
nn.Conv2d(6, 16, 5), # [n,16,10,10]
nn.ReLU(),
nn.MaxPool2d(2, 2)) # [n,16,5,5]
self.fc = nn.Sequential(
nn.Flatten(),
nn.Linear(16 * 5 * 5, 120),
nn.ReLU(),
nn.Linear(120, 84),
nn.ReLU(),
nn.Linear(84, 10))
def forward(self, img):
output = self.conv(img)
output = self.fc(output)
return output
在定義好LeNet5這個網(wǎng)絡結(jié)構(gòu)的類之后，只要我們完成了這個類的實例化操作，那么網(wǎng)絡中對應的權重參數(shù)也都完成了初始化的工作，即有了一個初始值。同時，我們可以通過如下方式來訪問：
# Print model's state_dict
print("Model's state_dict:")
for param_tensor in model.state_dict():
print(param_tensor, "\t", model.state_dict()[param_tensor].size())
其輸出的結(jié)果為：
conv.0.weight torch.Size([6, 1, 5, 5])
conv.0.bias torch.Size([6])
conv.3.weight torch.Size([16, 6, 5, 5])
....
....
可以發(fā)現(xiàn)，網(wǎng)絡模型中的參數(shù)model.state_dict()其實是以字典的形式（實質(zhì)上是collections模塊中的OrderedDict）保存下來的：
print(model.state_dict().keys()) # odict_keys(['conv.0.weight', 'conv.0.bias', 'conv.3.weight', 'conv.3.bias', 'fc.1.weight', 'fc.1.bias', 'fc.3.weight', 'fc.3.bias', 'fc.5.weight', 'fc.5.bias'])
（2）自定義參數(shù)前綴
同時，這里值得注意的地方有兩點：①參數(shù)名中的fc和conv前綴是根據(jù)你在上面定義nn.Sequential()時的名字所確定的；②參數(shù)名中的數(shù)字表示每個Sequential()中網(wǎng)絡層所在的位置。例如將網(wǎng)絡結(jié)構(gòu)定義成如下形式：
class LeNet5(nn.Module):
def __init__(self, ):
super(LeNet5, self).__init__()
self.moon = nn.Sequential( # [n,1,28,28]
nn.Conv2d(1, 6, 5, padding=2), # in_channels, out_channels, kernel_size
nn.ReLU(), # [n,6,24,24]
nn.MaxPool2d(2, 2), # kernel_size, stride [n,6,14,14]
nn.Conv2d(6, 16, 5), # [n,16,10,10]
nn.ReLU(),
nn.MaxPool2d(2, 2),
nn.Flatten(),
nn.Linear(16 * 5 * 5, 120),
nn.ReLU(),
nn.Linear(120, 84),
nn.ReLU(),
nn.Linear(84, 10))
那么其參數(shù)名則為：
print(model.state_dict().keys()) odict_keys(['moon.0.weight', 'moon.0.bias', 'moon.3.weight', 'moon.3.bias', 'moon.7.weight', 'moon.7.bias', 'moon.9.weight', 'moon.9.bias', 'moon.11.weight', 'moon.11.bias'])
理解了這一點對于后續(xù)我們?nèi)ソ馕龊洼d入一些預訓練模型很有幫助。
除此之外，對于中的優(yōu)化器等，其同樣有對應的state_dict()方法來獲取對于的參數(shù)，例如：
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])
#
Optimizer's state_dict:
state {}
param_groups [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nesterov': False, 'params': [140239245300504, 140239208339784, 140239245311360, 140239245310856, 140239266942480, 140239266942552, 140239266942624, 140239266942696, 140239266942912, 140239267041352]}]
在介紹完模型參數(shù)的查看方法后，就可以進入到模型復用階段的內(nèi)容介紹了。
2.2 載入模型進行推斷
（1） 模型保存
在Pytorch中，對于模型的保存來說是非常簡單的，通常來說通過如下兩行代碼便可以實現(xiàn)：
model_save_path = os.path.join(model_save_dir, 'model.pt') torch.save(model.state_dict(), model_save_path)
在指定保存的模型名稱時Pytorch官方建議的后綴為.pt或者.pth（當然也不是強制的）。最后，只需要在合適的地方加入第2行代碼即可完成模型的保存。
同時，如果想要在訓練過程中保存某個條件下的最優(yōu)模型，那么應該通過如下方式：
best_model_state = deepcopy(model.state_dict()) torch.save(best_model_state, model_save_path)
而不是：
best_model_state = model.state_dict() torch.save(best_model_state, model_save_path)
因為后者best_model_state得到只是model.state_dict()的引用，它依舊會隨著訓練過程而發(fā)生改變。
（2）復用模型進行推斷
在推斷過程中，首先需要完成網(wǎng)絡的初始化，然后再載入已有的模型參數(shù)來覆蓋網(wǎng)絡中的權重參數(shù)即可，示例代碼如下：
def inference(data_iter, device, model_save_dir='./MODEL'):
model = LeNet5() # 初始化現(xiàn)有模型的權重參數(shù)
model.to(device)
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)
model.load_state_dict(loaded_paras) # 用本地已有模型來重新初始化網(wǎng)絡權重參數(shù)
model.eval() # 注意不要忘記
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)
在上述代碼中，4-7行便是用來載入本地模型參數(shù)，并用其覆蓋網(wǎng)絡模型中原有的參數(shù)。這樣，便可以進行后續(xù)的推斷工作：
Accuracy in test data is : 0.8851
2.3 載入模型進行訓練
在介紹完模型的保存與復用之后，對于網(wǎng)絡的追加訓練就很簡單了。最簡便的一種方式就是在訓練過程中只保存網(wǎng)絡權重，然后在后續(xù)進行追加訓練時只載入網(wǎng)絡權重參數(shù)初始化網(wǎng)絡進行訓練即可，示例如下（完整代碼參見[2]）：
def train(self):
#......
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("#### 成功載入已有模型，進行追加訓練...")
optimizer = torch.optim.Adam(self.model.parameters(), lr=self.learning_rate) # 定義優(yōu)化器
#......
for epoch in range(self.epochs):
for i, (x, y) in enumerate(train_iter):
x, y = x.to(device), y.to(device)
logits = self.model(x)
# ......
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)
這樣，便完成了模型的追加訓練：
#### 成功載入已有模型，進行追加訓練... Epochs[0/5]---batch[938/0]---acc 0.9062---loss 0.2926 Epochs[0/5]---batch[938/100]---acc 0.9375---loss 0.1598 ......
除此之外，你也可以在保存參數(shù)的時候，將優(yōu)化器參數(shù)、損失值等一同保存下來，然后在恢復模型的時候連同其它參數(shù)一起恢復，示例如下：
model_save_path = os.path.join(model_save_dir, 'model.pt')
torch.save({
'epoch': epoch,
'model_state_dict': model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': loss,
...
}, model_save_path)
載入方式如下：
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']
2.4 載入模型進行遷移
（1）定義新模型
到目前為止，對于前面兩種應用場景的介紹就算完成了，可以發(fā)現(xiàn)總體上并不復雜。但是對于第3中場景的應用來說就會略微復雜一點。
假設現(xiàn)在有一個LeNet6網(wǎng)絡模型，它是在LeNet5的基礎最后多加了一個全連接層，其定義如下：
class LeNet6(nn.Module):
def __init__(self, ):
super(LeNet6, self).__init__()
self.conv = nn.Sequential( # [n,1,28,28]
nn.Conv2d(1, 6, 5, padding=2), # in_channels, out_channels, kernel_size
nn.ReLU(), # [n,6,24,24]
nn.MaxPool2d(2, 2), # kernel_size, stride [n,6,14,14]
nn.Conv2d(6, 16, 5), # [n,16,10,10]
nn.ReLU(),
nn.MaxPool2d(2, 2)) # [n,16,5,5]
self.fc = nn.Sequential(
nn.Flatten(),
nn.Linear(16 * 5 * 5, 120),
nn.ReLU(),
nn.Linear(120, 84),
nn.ReLU(),
nn.Linear(84, 64),
nn.ReLU(),
nn.Linear(64, 10) ) # 新加入的全連接層
接下來，我們需要將在LeNet5上訓練得到的權重參數(shù)遷移到LeNet6網(wǎng)絡中去。從上面LeNet6的定義可以發(fā)現(xiàn)，此時盡管只是多加了一個全連接層，但是倒數(shù)第2層參數(shù)的維度也發(fā)生了變換。因此，對于LeNet6來說只能復用LeNet5網(wǎng)絡前面4層的權重參數(shù)。
（2）查看模型參數(shù)
在拿到一個模型參數(shù)后，首先我們可以將其載入，然查看相關參數(shù)的信息：
model_save_path = os.path.join('./MODEL', 'model.pt')
loaded_paras = torch.load(model_save_path)
for param_tensor in loaded_paras:
print(param_tensor, "\t", loaded_paras[param_tensor].size())
#---- 可復用部分
conv.0.weight torch.Size([6, 1, 5, 5])
conv.0.bias torch.Size([6])
conv.3.weight torch.Size([16, 6, 5, 5])
conv.3.bias torch.Size([16])
fc.1.weight torch.Size([120, 400])
fc.1.bias torch.Size([120])
fc.3.weight torch.Size([84, 120])
fc.3.bias torch.Size([84])
#----- 不可復用部分
fc.5.weight torch.Size([10, 84])
fc.5.bias torch.Size([10])
同時，對于LeNet6網(wǎng)絡的參數(shù)信息為：
model = LeNet6()
for param_tensor in model.state_dict():
print(param_tensor, "\t", model.state_dict()[param_tensor].size())
#
conv.0.weight torch.Size([6, 1, 5, 5])
conv.0.bias torch.Size([6])
conv.3.weight torch.Size([16, 6, 5, 5])
conv.3.bias torch.Size([16])
fc.1.weight torch.Size([120, 400])
fc.1.bias torch.Size([120])
fc.3.weight torch.Size([84, 120])
fc.3.bias torch.Size([84])
#------ 新加入部分
fc.5.weight torch.Size([64, 84])
fc.5.bias torch.Size([64])
fc.7.weight torch.Size([10, 64])
fc.7.bias torch.Size([10])
在理清楚了新舊模型的參數(shù)后，下面就可以將LeNet5中我們需要的參數(shù)給取出來，然后再換到LeNet6的網(wǎng)絡中。
（3）模型遷移
雖然本地載入的模型參數(shù)（上面的loaded_paras）和模型初始化后的參數(shù)（上面的model.state_dict()）都是一個字典的形式，但是我們并不能夠直接改變model.state_dict()中的權重參數(shù)。這里需要先構(gòu)造一個state_dict然后通過model.load_state_dict()方法來重新初始化網(wǎng)絡中的參數(shù)。
同時，在這個過程中我們需要篩選掉本地模型中不可復用的部分，具體代碼如下：
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: # 在新的網(wǎng)絡模型中遍歷對應參數(shù)
if key in loaded_paras and state_dict[key].size() == loaded_paras[key].size():
print("成功初始化參數(shù):", key)
state_dict[key] = loaded_paras[key]
return state_dict
在上述代碼中，第2行的作用是先拷貝網(wǎng)絡中（LeNet6）原有的參數(shù)；第6-9行則是用本地的模型參數(shù)（LeNet5）中可以復用的替換掉LeNet6中的對應部分，其中第7行就是判斷可用的條件。同時需要注意的是在不同的情況下篩選的方式可能不一樣，因此具體情況需要具體分析，但是整體邏輯是一樣的。
最后，我們只需要在模型訓練之前調(diào)用該函數(shù)，然后重新初始化LeNet6中的部分權重參數(shù)即可[2]：
state_dict = para_state_dict(self.model, self.model_save_dir) self.model.load_state_dict(state_dict)
訓練結(jié)果如下：
成功初始化參數(shù): conv.0.weight
成功初始化參數(shù): conv.0.bias
成功初始化參數(shù): conv.3.weight
成功初始化參數(shù): conv.3.bias
成功初始化參數(shù): fc.1.weight
成功初始化參數(shù): fc.1.bias
成功初始化參數(shù): fc.3.weight
成功初始化參數(shù): fc.3.bias
#### 成功載入已有模型，進行追加訓練...
Epochs[0/5]---batch[938/0]---acc 0.1094---loss 2.512
Epochs[0/5]---batch[938/100]---acc 0.9375---loss 0.2141
Epochs[0/5]---batch[938/200]---acc 0.9219---loss 0.2729
Epochs[0/5]---batch[938/300]---acc 0.8906---loss 0.2958
......
Epochs[0/5]---batch[938/900]---acc 0.8906---loss 0.2828
Epochs[0/5]--acc on test 0.8808
可以發(fā)現(xiàn)，在大約100個batch之后，模型的準確率就提升上來了。
3 總結(jié)
在本篇文章中，筆者首先介紹了模型復用的幾種典型場景；然后介紹了如何查看Pytorch模型中的相關參數(shù)信息；接著介紹了如何載入模型、如何進行追加訓練以及進行模型的遷移學習等。有了這部分內(nèi)容的鋪墊，在后續(xù)介紹類似BERT這樣的預訓練模型載入時就會容易很多了。
到此這篇關于Pytorch中模型的保存與遷移的文章就介紹到這了,更多相關Pytorch模型內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
Python Socket多線程并發(fā)原理及實現(xiàn)
這篇文章主要介紹了Python Socket多線程并發(fā)原理及實現(xiàn)，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-12-12
python備份文件以及mysql數(shù)據(jù)庫的腳本代碼
最近正在學習python，看了幾天了，，所以寫個小腳本練習練習，沒什么含金量，只當練手2013-06-06
這篇文章主要介紹了Python定時任務APScheduler原理及實例解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-05-05
這篇文章主要為大家詳細介紹了python實現(xiàn)決策樹分類算法，具有一定的參考價值，感興趣的小伙伴們可以參考一下2017-12-12
Python Tkinter GUI編程實現(xiàn)Frame切換
本文主要介紹了Python Tkinter GUI編程實現(xiàn)Frame切換，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2022-04-04
這篇文章主要介紹了python實現(xiàn)簡單爬蟲功能的相關資料，感興趣的小伙伴們可以參考一下2015-12-12
本文給大家介紹了Pytorch 的 LSTM 模型的示例教程，文中結(jié)合實例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友參考下吧2023-06-06
在學習python的過程中，經(jīng)過不斷的嘗試及努力，終于完成了第一個像樣的python程序，雖然還有很多需要優(yōu)化的地方，但是目前基本上實現(xiàn)了我所要求的功能,需要的朋友可以參考下2016-02-02
這篇文章主要介紹了Python正則表達式非貪婪、多行匹配功能,結(jié)合實例形式分析了Python正則表達式中非貪婪及多行匹配功能的實現(xiàn)方法與相關注意事項,需要的朋友可以參考下2017-08-08
這篇文章主要介紹了python 為什么說eval要慎用，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-03-03