Κοινή χρήση τεχνολογίας

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Στο PyTorch, μπορείτε να αποθηκεύσετε και να φορτώσετε το μοντέλο και να συνεχίσετε την εκπαίδευση ακολουθώντας αυτά τα βήματα:

1. Αποθήκευση μοντέλου

   Υπάρχουν συνήθως δύο τρόποι αποθήκευσης ενός μοντέλου:

   • Αποθηκεύστε ολόκληρο το μοντέλο (συμπεριλαμβανομένης της δομής δικτύου, των βαρών κ.λπ.):

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

   • Αποθηκεύεται μόνο το state_dict του μοντέλου (που περιέχει μόνο παραμέτρους βάρους) Αυτή η μέθοδος συνιστάται επειδή εξοικονομεί χώρο αποθήκευσης και είναι πιο ευέλικτη κατά τη φόρτωση.

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

2. Μοντέλο φόρτωσης

   Αντίστοιχα, υπάρχουν δύο τρόποι φόρτωσης του μοντέλου:

   • Εάν έχετε αποθηκεύσει ολόκληρο το μοντέλο στο παρελθόν, μπορείτε να το φορτώσετε απευθείας με τον ακόλουθο τρόπο:

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

   • Εάν αποθηκεύσατε μόνο το state_dict πριν, πρέπει να δημιουργήσετε ένα μοντέλο με την ίδια δομή με το αρχικό μοντέλο και στη συνέχεια να περάσετεload_state_dict()Τρόπος φόρτωσης βαρών:

     # 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. συνεχίσει την προπόνηση

   Αφού φορτώσετε το μοντέλο, μπορείτε να συνεχίσετε την εκπαίδευση. Βεβαιωθείτε ότι έχετε ορίσει τη συνάρτηση απώλειας και το εργαλείο βελτιστοποίησης και ότι οι καταστάσεις τους έχουν φορτωθεί σωστά (αν τα έχετε αποθηκεύσει προηγουμένως).Στη συνέχεια, απλώς ακολουθήστε την κανονική διαδικασία προπόνησης

   # 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()
   

Με αυτόν τον τρόπο, μπορείτε να συνεχίσετε να εκπαιδεύετε το μοντέλο από το σημείο που το αποθηκεύσατε τελευταία φορά.