pytorch框架学习（17）——模型的保存与加载

1. 序列化与反序列化

• 序列化：将内存中的每一个对象保存到硬盘当中，以二进制序列的形式存储下来
• 反序列化：将硬盘中存储的二进制数据反序列化的放到内存当中
  

2. 模型保存与加载的两种方式

pytorch当中的序列化与反序列化函数：

1. torch.save

   • 主要参数：
     • obj：对象
     • f：输出路径

2. torch.load

   • 主要参数：
     • f：文件路径
     • map_location：指定存放位置，cpu or gpu

有两种保存模型的方法：

• 方法1：保存整个Module， torch.save(net, path)
• 方法2：保存模型参数(模型的可学习参数，推荐)
  • state_dict = net.state_dict()
  • torch.save(state_dict, path)

3. 模型断点续训练

解决意外中断，可继续训练的问题

参数保存：

checkpoint_interval = 5
"""省略了模型实现代码，checkpoint保存参数部分应该在模型训练部分，每个epoch中"""
if (epoch+1) % checkpoint_interval == 0:

    checkpoint = {"model_state_dict": net.state_dict(),
                  "optimizer_state_dict": optimizer.state_dict(),
                  "epoch": epoch}
    path_checkpoint = "./checkpoint_{}_epoch.pkl".format(epoch)
    torch.save(checkpoint, path_checkpoint)

checkpoint加载恢复：
保持原实现代码不变，在模型训练部分之前，加入断电恢复代码，如下所示：

path_checkpoint = "./checkpoint_4_epoch.pkl"
checkpoint = torch.load(path_checkpoint)

net.load_state_dict(checkpoint['model_state_dict'])

optimizer.load_state_dict(checkpoint['optimizer_state_dict'])

start_epoch = checkpoint['epoch']

scheduler.last_epoch = start_epoch