溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下Pytorch保存模型用于測試和用于繼續訓練的區別是什么，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！
保存模型
保存模型僅僅是為了測試的時候，只需要
torch.save(model.state_dict, path)
path 為保存的路徑
但是有時候模型及數據太多,難以一次性訓練完的時候,而且用的還是 Adam優化器的時候, 一定要保存好訓練的優化器參數以及epoch
state = { 'model': model.state_dict(), 'optimizer':optimizer.state_dict(), 'epoch': epoch }
torch.save(state, path)因為這里
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
學習率是根據epoch變化的, 如果不保存epoch的話,基本上每次都從epoch為0開始訓練,這樣學習率就相當于不變了!!
恢復模型
恢復模型只用于測試的時候,
model.load_state_dict(torch.load(path))
path為之前存儲模型時的路徑
但是如果是用于繼續訓練的話,
checkpoint = torch.load(path) model.load_state_dict(checkpoint['model']) optimizer.load_state_dict(checkpoint['optimizer']) start_epoch = checkpoint['epoch']+1
依次恢復出模型 優化器參數以及epoch
以上是“Pytorch保存模型用于測試和用于繼續訓練的區別是什么”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
