注意
點擊此處下載完整的範例程式碼
學習基礎 || 快速入門 || 張量 || 資料集 & 資料載入器 || 轉換 || 建置模型 || 自動微分 || 最佳化 || 儲存 & 載入模型
儲存和載入模型¶
建立於：2021 年 2 月 9 日 | 最後更新：2024 年 10 月 15 日 | 最後驗證：2024 年 11 月 05 日
在本節中，我們將研究如何透過儲存、載入和執行模型預測來保存模型狀態。
import torch
import torchvision.models as models
儲存和載入模型權重¶
PyTorch 模型將學習到的參數儲存在一個內部狀態字典中，稱為 state_dict。這些可以透過 torch.save 方法來保存。
model = models.vgg16(weights='IMAGENET1K_V1')
torch.save(model.state_dict(), 'model_weights.pth')
Downloading: "https://download.pytorch.org/models/vgg16-397923af.pth" to /var/lib/ci-user/.cache/torch/hub/checkpoints/vgg16-397923af.pth
0%| | 0.00/528M [00:00<?, ?B/s]
4%|3 | 20.6M/528M [00:00<00:02, 216MB/s]
8%|7 | 41.9M/528M [00:00<00:02, 219MB/s]
12%|#1 | 63.1M/528M [00:00<00:02, 221MB/s]
16%|#5 | 84.4M/528M [00:00<00:02, 222MB/s]
20%|## | 106M/528M [00:00<00:01, 222MB/s]
24%|##4 | 127M/528M [00:00<00:01, 222MB/s]
28%|##8 | 148M/528M [00:00<00:01, 223MB/s]
32%|###2 | 170M/528M [00:00<00:01, 223MB/s]
36%|###6 | 191M/528M [00:00<00:01, 223MB/s]
40%|#### | 212M/528M [00:01<00:01, 223MB/s]
44%|####4 | 234M/528M [00:01<00:01, 223MB/s]
48%|####8 | 255M/528M [00:01<00:01, 223MB/s]
52%|#####2 | 276M/528M [00:01<00:01, 223MB/s]
56%|#####6 | 298M/528M [00:01<00:01, 223MB/s]
60%|###### | 319M/528M [00:01<00:00, 223MB/s]
65%|######4 | 341M/528M [00:01<00:00, 223MB/s]
69%|######8 | 362M/528M [00:01<00:00, 223MB/s]
73%|#######2 | 383M/528M [00:01<00:00, 223MB/s]
77%|#######6 | 405M/528M [00:01<00:00, 223MB/s]
81%|######## | 426M/528M [00:02<00:00, 223MB/s]
85%|########4 | 448M/528M [00:02<00:00, 223MB/s]
89%|########8 | 469M/528M [00:02<00:00, 223MB/s]
93%|#########2| 490M/528M [00:02<00:00, 223MB/s]
97%|#########6| 511M/528M [00:02<00:00, 223MB/s]
100%|##########| 528M/528M [00:02<00:00, 223MB/s]
要載入模型權重，您需要先建立同一個模型的實例，然後使用 load_state_dict() 方法載入參數。
在下面的程式碼中，我們設定 weights_only=True 以限制在反序列化期間執行的函數，僅限於載入權重所需的函數。 使用 weights_only=True 被認為是載入權重時的最佳實踐。
model = models.vgg16() # we do not specify ``weights``, i.e. create untrained model
model.load_state_dict(torch.load('model_weights.pth', weights_only=True))
model.eval()
VGG(
(features): Sequential(
(0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): ReLU(inplace=True)
(2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(3): ReLU(inplace=True)
(4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(6): ReLU(inplace=True)
(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(8): ReLU(inplace=True)
(9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(11): ReLU(inplace=True)
(12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(13): ReLU(inplace=True)
(14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(15): ReLU(inplace=True)
(16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(18): ReLU(inplace=True)
(19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(20): ReLU(inplace=True)
(21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(22): ReLU(inplace=True)
(23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(25): ReLU(inplace=True)
(26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(27): ReLU(inplace=True)
(28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(29): ReLU(inplace=True)
(30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
(classifier): Sequential(
(0): Linear(in_features=25088, out_features=4096, bias=True)
(1): ReLU(inplace=True)
(2): Dropout(p=0.5, inplace=False)
(3): Linear(in_features=4096, out_features=4096, bias=True)
(4): ReLU(inplace=True)
(5): Dropout(p=0.5, inplace=False)
(6): Linear(in_features=4096, out_features=1000, bias=True)
)
)
注意
請務必在推論前呼叫 model.eval() 方法，將 dropout 和批次正規化層設定為評估模式。 如果不這樣做，將會產生不一致的推論結果。
儲存和載入具有形狀的模型¶
在載入模型權重時，我們需要先實例化模型類別，因為該類別定義了網路的結構。 我們可能希望將這個類別的結構與模型一起儲存，在這種情況下，我們可以將 model （而不是 model.state_dict()）傳遞給儲存函數。
torch.save(model, 'model.pth')
然後，我們可以如下所示載入模型。
如 儲存和載入 torch.nn.Modules 中所述，儲存 state_dict 被認為是最佳實踐。 但是，下面我們使用 weights_only=False，因為這涉及載入模型，這是 torch.save 的舊版用例。
model = torch.load('model.pth', weights_only=False),
注意
此方法在序列化模型時使用 Python pickle 模組，因此它依賴於載入模型時可用的實際類別定義。
