Pytorch保存模型用于测试和用于继续训练的区别详解_pytorchsavemodel - CSDN文库

60 浏览量更新于2023-05-11 评论 1 收藏 33KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

Pytorch保存模型用于测试和用于继续训练的区别详解保存模型用于测试和用于继续训练的区别详解

今天小编就为大家分享一篇Pytorch保存模型用于测试和用于继续训练的区别详解，具有很好的参考价值，希望

对大家有所帮助。一起跟随小编过来看看吧

保存模型保存模型

保存模型仅仅是为了测试的时候，只需要

torch.save(model.state_dict, path)

path 为保存的路径

但是有时候模型及数据太多,难以一次性训练完的时候,而且用的还是 Adam优化器的时候, 一定要保存好训练的优化器参数以及

epoch

state = { 'model': model.state_dict(), 'optimizer':optimizer.state_dict(), 'epoch': epoch }

torch.save(state, path)

因为这里

def adjust_learning_rate(optimizer, epoch):

lr_t = lr

lr_t = lr_t * (0.3 ** (epoch // 2))

for param_group in optimizer.param_groups:

param_group['lr'] = lr_t

学习率是根据epoch变化的, 如果不保存epoch的话,基本上每次都从epoch为0开始训练,这样学习率就相当于不变了!!

恢复模型恢复模型

恢复模型只用于测试的时候,

model.load_state_dict(torch.load(path))

path为之前存储模型时的路径

但是如果是用于继续训练的话,

checkpoint = torch.load(path)

model.load_state_dict(checkpoint['model'])

optimizer.load_state_dict(checkpoint['optimizer'])

start_epoch = checkpoint['epoch']+1

依次恢复出模型优化器参数以及epoch

以上这篇Pytorch保存模型用于测试和用于继续训练的区别详解就是小编分享给大家的全部内容了，希望能给大家一个参考，

也希望大家多多支持我们。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余0页未读，立即下载

评论0

weixin_38682953

粉丝: 7
资源: 986

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈