pytorch保存val最佳模型 pytorch 保存网络结构

P26 网络模型的保存和加载

• 保存方式1：



• 加载模型方式1：



• 可以debug看看每一层都有啥：



• 保存方式2：

• 加载模型方式2（与方式1加载方式一样，但是没有框架，只有参数）：



• 由于第2种加载方式中只包含参数，没有模型结构，所以，当vgg16_method2.pth这个保存了参数的文件已经存在了之后，可以用下图第14行中的方法，把参数放入第13行的vgg16框架当中（这个框架是预训练=False的，所以没有参数，只有框架）：



• 不是很好理解：保存的时候，把参数保存到“.pth”当中，是用的model.state_dice( )，最外面套上torch.save( )；调用、加载的时候，使用model.load_state_dict( )进行，加载的内容，使用torch.load( )，把上面保存的参数，都放在括号里：
  保存：torch.save（model.state_dict，“abc.pth”）
  调用：model.load_state_dict（torch.load（“abc.pth”））

• 注意：
  第一种方式有个陷阱：当保存了自己的网络时，想要load这个网络的话，必须要把这个网络，写在load上面，不然会报错：在save模块中保存的，在load模块中调用，就会出现下面两个图的报错：

• 其实这个报错，是可以避免的，有两个方法：
  1、在load模块的最前面，加上图中的from xxx import *，就可以随意使用save模块的内容了；
  2、把建立好的模型，也复制过来，注：跟正常的使用模块相比，不需要再加上实例化tudui=TuDui( )这个步骤了；一般我们自己在工程中，会把模型放在一个文件夹或者模块里，不需要考虑这个问题；

可以运行的代码-1

# -*- coding: utf-8 -*-

"""
author :24nemo
 date  :2021年07月16日
"""

import torch
import torchvision
from torch import nn

vgg16 = torchvision.models.vgg16(pretrained=False)
# 保存方式1,模型结构+模型参数   模型 + 参数 都保存
# torch.save(vgg16, "vgg16_method1.pth")  # 引号里是保存路径
# 保存方式2，模型参数（官方推荐） ，因为这个方式，储存量小，在terminal中，ls -all可以查看
torch.save(vgg16.state_dict(), "vgg16_method2.pth")


# 把网络模型的参数，保存下来，储存成字典的形式

# 陷阱
# class Tudui(nn.Module):
#     def __init__(self):
#         super(Tudui, self).__init__()
#         self.conv1 = nn.Conv2d(3, 64, kernel_size=3)
#
#     def forward(self, x):
#         x = self.conv1(x)
#         return x


# tudui = Tudui()
# torch.save(tudui, "tudui_method1.pth")

可以运行的代码-2

# -*- coding: utf-8 -*-

"""
author :24nemo
 date  :2021年07月16日
"""

# 方式1，保存方式1，加载模型
import torch
import torchvision
from P26_1_model_save import *

# model = torch.load("vgg16_method1.pth")
# print(model)

# 方式2，加载模型
vgg16 = torchvision.models.vgg16(pretrained=False)
vgg16.load_state_dict(torch.load("vgg16_method2.pth"))
# model = torch.load("vgg16_method2.pth")
print(vgg16)

# 陷阱，用第一种方式保存时，如果是自己的模型，就需要在加载中，把class重新写一遍，但并不需要实例化，即可
# 这个陷阱，也是可以避免的，最上面的 from model_save import *，就是在做这个事情，避免出现错误
# class Tudui(nn.Module):
#     def __init__(self):
#         super(Tudui, self).__init__()
#         self.conv1 = nn.Conv2d(3, 64, kernel_size=3)

#     def forward(self, x):
#         x = self.conv1(x)
#         return x

# model = torch.load('tudui_method1.pth')
# print(model)