Compartir tecnología

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

En PyTorch, puede guardar y cargar el modelo y continuar entrenando siguiendo estos pasos:

1. Guardar modelo

   Generalmente hay dos formas de guardar un modelo:

   • Guarde el modelo completo (incluida la estructura de la red, los pesos, etc.):

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

   • Solo se guarda el state_dict del modelo (que contiene solo parámetros de peso). Se recomienda este método porque ahorra espacio de almacenamiento y es más flexible al cargar:

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

2. Cargar modelo

   En consecuencia, hay dos formas de cargar el modelo:

   • Si has guardado el modelo completo antes, puedes cargarlo directamente de la siguiente manera:

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

   • Si solo guardó state_dict antes, debe crear una instancia de un modelo con la misma estructura que el modelo original y luego pasarload_state_dict()Método para cargar pesas:

     # 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 entrenando

   Después de cargar el modelo, puedes continuar entrenando. Asegúrate de haber definido la función de pérdida y el optimizador y que sus estados estén cargados correctamente (si los guardaste previamente).Luego, simplemente sigue el proceso de entrenamiento 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 esta manera, puede continuar entrenando el modelo desde donde lo guardó por última vez.