Compartilhamento de tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

No PyTorch, você pode salvar e carregar o modelo e continuar o treinamento seguindo estas etapas:

1. Salvar modelo

   Geralmente existem duas maneiras de salvar um modelo:

   • Salve todo o modelo (incluindo estrutura de rede, pesos, etc.):

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

   • Apenas o state_dict do modelo (contendo apenas parâmetros de peso) é salvo. Este método é recomendado porque economiza espaço de armazenamento e é mais flexível ao carregar:

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

2. Modelo de carga

   Correspondentemente, existem duas maneiras de carregar o modelo:

   • Se você salvou o modelo inteiro antes, poderá carregá-lo diretamente da seguinte maneira:

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

   • Se você salvou state_dict antes, precisará instanciar um modelo com a mesma estrutura do modelo original e depois passarload_state_dict()Método para carregar pesos:

     # 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. continuar treinando

   Depois de carregar o modelo, você pode continuar o treinamento. Certifique-se de ter definido a função de perda e o otimizador e de que seus estados estejam carregados corretamente (se você os salvou anteriormente).Depois, basta seguir o processo normal de treinamento

   # 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()
   

Dessa forma, você pode continuar treinando o modelo de onde o salvou pela última vez.