Partage de technologie

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Dans PyTorch, vous pouvez enregistrer et charger le modèle et continuer la formation en suivant ces étapes :

1. Enregistrer le modèle

   Il existe généralement deux manières d'enregistrer un modèle :

   • Enregistrez l'intégralité du modèle (y compris la structure du réseau, les poids, etc.) :

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

   • Seul le state_dict du modèle (contenant uniquement les paramètres de poids) est enregistré. Cette méthode est recommandée car elle économise de l'espace de stockage et est plus flexible lors du chargement :

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

2. Charger le modèle

   En conséquence, il existe deux manières de charger le modèle :

   • Si vous avez déjà enregistré l'intégralité du modèle, vous pouvez le charger directement de la manière suivante :

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

   • Si vous avez uniquement enregistré state_dict auparavant, vous devez instancier un modèle avec la même structure que le modèle d'origine, puis transmettreload_state_dict()Méthode pour charger des poids :

     # 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. continuer la formation

   Après avoir chargé le modèle, vous pouvez continuer la formation. Assurez-vous d'avoir défini la fonction de perte et l'optimiseur et que leurs états sont correctement chargés (si vous les avez enregistrés précédemment).Ensuite, suivez simplement le processus de formation normal

   # 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()
   

De cette façon, vous pouvez continuer à entraîner le modèle à partir de l'endroit où vous l'avez enregistré pour la dernière fois.