pl.LightningModule load_from_checkpoint

`pl.LightningModule.load_from_checkpoint` 是 PyTorch Lightning 框架中的一个方法，用于从预训练模型的检查点（.ckpt 或 .tar 文件）恢复模型的状态。在进行迁移学习或者继续训练之前，如果你已经有了一个经过训练的模型，`load_from_checkpoint` 可以帮助你快速将该模型的状态复制到一个新的 `LightningModule` 实例上，无需重新训练初始化部分。

例如，假设你有一个名为 "best_model.ckpt" 的检查点文件，你可以这样做：

model = YourLightningModule()  # 创建一个新的模型实例
checkpoint_path = 'best_model.ckpt'
model.load_from_checkpoint(checkpoint_path)  # 从检查点加载模型状态

# 现在，model 就有了之前的训练权重

在 `on_load_checkpoint` 方法中，你可能会访问和处理来自检查点的数据，如优化器状态、学习率调度器等。

注意，当加载检查点时，你需要确保 `LightningModule` 类的结构与保存时一致，包括模块名称、层顺序以及超参数等。如果有任何不匹配，可能会导致错误或不完整加载。

相关问题

pl.LightningModule load_from_checkpoint 键名包含_orig_mod导致错误

当你看到 `pl.LightningModule.load_from_checkpoint` 中关于 `_orig_mod` 键引发的 `KeyError`，这是因为在PyTorch Lightning的早期版本中，当使用`save()`方法保存模型时，可能会将整个模块（包括原始模块的元信息）作为`_orig_mod`这个键的一部分一同保存。然而，在后续更新中，这个做法已被替换，所以当尝试从较新的检查点加载时，`_orig_mod`不再是预期的键。

解决这个问题通常有以下几种方式：

1. **更新代码**：检查你的代码是否仍保留了旧的保存逻辑。如果是，你应该确保只使用`model.save checkpoint`或`model.save_weights`等明确指定键的API来保存模型权重和状态。

2. **迁移检查点**：如果你的模型是在老版本下保存的，尝试手动移除`_orig_mod`键，然后用`model.load_state_dict(checkpoint['state_dict'])`来加载剩下的部分。

3. **兼容处理**：在加载时，你可以添加一个条件判断来处理`_orig_mod`的存在与否。如果找到，可以选择忽略或者适当地解包它。

try:
    model.load_state_dict(checkpoint)
except KeyError as e:
    if 'state_dict' in str(e) and '_orig_mod' in e.message:
        state_dict = checkpoint.pop('_orig_mod')['state_dict']
        model.load_state_dict(state_dict)

4. **兼容模式**：如果你的代码依赖于`_orig_mod`，可能需要查找是否有对应的官方文档或者社区指南说明如何在新版本中保持向后兼容。

注意，最好始终遵循最新版Lightning的推荐实践来保存和加载模型，以免这类问题发生。

DeepFM.load_from_checkpoint没有这个方法

`DeepFM.load_from_checkpoint()` 是 Pytorch Lightning 中 `pl.LightningModule` 的方法，它可以从已保存的 checkpoints 加载模型权重。如果你想从 checkpoint 加载 DeepFM 模型，那么需要确认以下几点：

1. 你已经安装了 Pytorch Lightning；
2. DeepFM 模型继承了 `pl.LightningModule`；
3. 你已经通过 Pytorch Lightning 的 `Trainer` 训练了 DeepFM 模型，并保存了 checkpoint 文件。

如果以上条件都满足，那么可以通过以下代码来加载 DeepFM 模型：

import torch
from deepctr_torch.models import DeepFM
from pytorch_lightning.utilities.cloud_io import load as pl_load

# 加载 checkpoint 文件
checkpoint = torch.load("path/to/checkpoint.ckpt", map_location=torch.device("cpu"))

# 加载 DeepFM 模型
deepfm = DeepFM(**checkpoint["hyper_parameters"])
deepfm.load_state_dict(checkpoint["state_dict"])

# 将 DeepFM 模型转换为 Pytorch Lightning 模块
pl_model = deepfm.to_lightning_module()

# 从 checkpoint 中恢复训练状态
pl_model.load_state_dict(checkpoint["state_dict"])

# 或者使用 Pytorch Lightning 提供的 load_from_checkpoint() 方法
# pl_model = DeepFM.load_from_checkpoint("path/to/checkpoint.ckpt")

注意，如果你使用了 Pytorch Lightning 的其他特性，例如自定义优化器、学习率调度器等等，那么在加载模型时需要进行相应的处理。具体来说，需要手动将所有相关的 Pytorch 模块转换为 Pytorch Lightning 模块，并将它们与 DeepFM 组合起来，最终形成一个完整的 Pytorch Lightning 模块。