Technologieaustausch

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

In PyTorch können Sie das Modell speichern und laden und mit dem Training fortfahren, indem Sie die folgenden Schritte ausführen:

1. Modell speichern

   Normalerweise gibt es zwei Möglichkeiten, ein Modell zu speichern:

   • Speichern Sie das gesamte Modell (einschließlich Netzwerkstruktur, Gewichte usw.):

     torch.save(model, 'model.pth')
     

   • Es wird nur das state_dict des Modells (das nur Gewichtsparameter enthält) gespeichert. Diese Methode wird empfohlen, da sie Speicherplatz spart und beim Laden flexibler ist:

     torch.save(model.state_dict(), 'model_weights.pth')
     

2. Modell laden

   Dementsprechend gibt es zwei Möglichkeiten, das Modell zu laden:

   • Wenn Sie das gesamte Modell zuvor gespeichert haben, können Sie es wie folgt direkt laden:

     model = torch.load('model.pth')
     

   • Wenn Sie zuvor nur state_dict gespeichert haben, müssen Sie ein Modell mit derselben Struktur wie das Originalmodell instanziieren und dann übergebenload_state_dict()Methode zum Laden von Gewichten:

     # 实例化一个与原模型结构相同的模型
     model = YourModelClass()
      
     # 加载保存的state_dict
     model.load_state_dict(torch.load('model_weights.pth'))
      
     # 确保将模型转移到正确的设备上（例如GPU或CPU）
     device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
     model.to(device)
     

3. weiter trainieren

   Nach dem Laden des Modells können Sie mit dem Training fortfahren. Stellen Sie sicher, dass Sie die Verlustfunktion und den Optimierer definiert haben und dass ihre Zustände korrekt geladen werden (sofern Sie sie zuvor gespeichert haben).Folgen Sie dann einfach dem normalen Trainingsprozess

   # 定义损失函数和优化器
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
    
   # 如果之前保存了优化器状态，也可以加载
   optimizer.load_state_dict(torch.load('optimizer.pth'))
    
   # 开始训练
   for epoch in range(num_epochs):
       for inputs, labels in dataloader:
           inputs, labels = inputs.to(device), labels.to(device)
           
           optimizer.zero_grad()
           outputs = model(inputs)
           loss = criterion(outputs, labels)
           loss.backward()
           optimizer.step()
   

Auf diese Weise können Sie das Training des Modells dort fortsetzen, wo Sie es zuletzt gespeichert haben.