Condivisione della tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

In PyTorch, puoi salvare e caricare il modello e continuare l'addestramento seguendo questi passaggi:

1. Salva modello

   Di solito ci sono due modi per salvare un modello:

   • Salvare l'intero modello (inclusa struttura della rete, pesi, ecc.):

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

   • Viene salvato solo lo state_dict del modello (contenente solo i parametri di peso). Questo metodo è consigliato perché consente di risparmiare spazio di archiviazione ed è più flessibile durante il caricamento:

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

2. Carica modello

   Di conseguenza, ci sono due modi per caricare il modello:

   • Se in precedenza hai salvato l'intero modello, puoi caricarlo direttamente nel modo seguente:

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

   • Se in precedenza hai salvato solo state_dict, devi creare un'istanza di un modello con la stessa struttura del modello originale, quindi passareload_state_dict()Metodo per caricare i pesi:

     # 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. continuare la formazione

   Dopo aver caricato il modello, puoi continuare l'addestramento. Assicurati di aver definito la funzione di perdita e l'ottimizzatore e che i loro stati siano caricati correttamente (se li hai salvati in precedenza).Quindi, segui semplicemente il normale processo di allenamento

   # 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()
   

In questo modo, puoi continuare ad addestrare il modello dal punto in cui lo hai salvato l'ultima volta.