pytorch模型保存與加載問題怎么解決

這篇“pytorch模型保存與加載問題怎么解決”文章的知識點大部分人都不太理解，所以小編給大家總結(jié)了以下內(nèi)容，內(nèi)容詳細，步驟清晰，具有一定的借鑒價值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來看看這篇“pytorch模型保存與加載問題怎么解決”文章吧。

一、torch中模型保存和加載的方式

1、模型參數(shù)和模型結(jié)構(gòu)保存和加載

torch.save(model,path)
torch.load(path)

2、只保存模型的參數(shù)和加載——這種方式比較安全，但是比較稍微麻煩一點點

torch.save(model.state_dict(),path)
model_state_dic = torch.load(path)
model.load_state_dic(model_state_dic)

二、torch中模型保存和加載出現(xiàn)的問題

1、單卡模型下保存模型結(jié)構(gòu)和參數(shù)后加載出現(xiàn)的問題

模型保存的時候會把模型結(jié)構(gòu)定義文件路徑記錄下來，加載的時候就會根據(jù)路徑解析它然后裝載參數(shù)；當把模型定義文件路徑修改以后，使用torch.load(path)就會報錯。

把model文件夾修改為models后，再加載就會報錯。

import torch
from model.TextRNN import TextRNN
 
load_model = torch.load('experiment_model_save/textRNN.bin')
print('load_model',load_model)

這種保存完整模型結(jié)構(gòu)和參數(shù)的方式，一定不要改動模型定義文件路徑。

2、多卡機器單卡訓練模型保存后在單卡機器上加載會報錯

在多卡機器上有多張顯卡0號開始，現(xiàn)在模型在n>=1上的顯卡訓練保存后，拷貝在單卡機器上加載

import torch
from model.TextRNN import TextRNN
 
load_model = torch.load('experiment_model_save/textRNN_cuda_1.bin')
print('load_model',load_model)

會出現(xiàn)cuda device不匹配的問題——你保存的模代碼段 小部件型是使用的cuda1，那么采用torch.load()打開的時候，會默認的去尋找cuda1，然后把模型加載到該設備上。這個時候可以直接使用map_location來解決，把模型加載到CPU上即可。

load_model = torch.load('experiment_model_save/textRNN_cuda_1.bin',map_location=torch.device('cpu'))

3、多卡訓練模型保存模型結(jié)構(gòu)和參數(shù)后加載出現(xiàn)的問題

當用多GPU同時訓練模型之后，不管是采用模型結(jié)構(gòu)和參數(shù)一起保存還是單獨保存模型參數(shù)，然后在單卡下加載都會出現(xiàn)問題

a、模型結(jié)構(gòu)和參數(shù)一起保然后在加載

torch.distributed.init_process_group(backend='nccl')

模型訓練的時候采用上述多進程的方式，所以你在加載的時候也要聲明，不然就會報錯。

b、單獨保存模型參數(shù)

model = Transformer(num_encoder_layers=6,num_decoder_layers=6)
state_dict = torch.load('train_model/clip/experiment.pt')
model.load_state_dict(state_dict)

同樣會出現(xiàn)問題，不過這里出現(xiàn)的問題是參數(shù)字典的key和模型定義的key不一樣

原因是多GPU訓練下，使用分布式訓練的時候會給模型進行一個包裝，代碼如下：

model = torch.load('train_model/clip/Vtransformers_bert_6_layers_encoder_clip.bin')
print(model)
model.cuda(args.local_rank)
。。。。。。
model = nn.parallel.DistributedDataParallel(model,device_ids=[args.local_rank],find_unused_parameters=True)
print('model',model)

包裝前的模型結(jié)構(gòu)：

包裝后的模型

在外層多了DistributedDataParallel以及module，所以才會導致在單卡環(huán)境下加載模型權重的時候出現(xiàn)權重的keys不一致。

三、正確的保存模型和加載的方法

    if gpu_count > 1:
        torch.save(model.module.state_dict(),save_path)
    else:
        torch.save(model.state_dict(),save_path)
    model = Transformer(num_encoder_layers=6,num_decoder_layers=6)
    state_dict = torch.load(save_path)
    model.load_state_dict(state_dict)

這樣就是比較好的范式，加載不會出錯。

以上就是關于“pytorch模型保存與加載問題怎么解決”這篇文章的內(nèi)容，相信大家都有了一定的了解，希望小編分享的內(nèi)容對大家有幫助，若想了解更多相關的知識內(nèi)容，請關注億速云行業(yè)資訊頻道。