PyTorch断点续训
在进行机器学习模型的训练过程中,由于各种原因,可能会遇到训练过程中断的情况,这时候需要从中断的地方继续训练模型。PyTorch提供了一种简单的方式来实现断点续训,即保存和加载模型的状态。
保存和加载模型状态
在PyTorch中,我们可以使用torch.save()
函数来保存模型状态,使用torch.load()
函数来加载模型状态。
首先,让我们创建一个简单的模型进行训练:
import torch
import torch.nn as nn
import torch.optim as optim
# 定义一个简单的全连接网络
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc = nn.Linear(10, 2)
def forward(self, x):
x = self.fc(x)
return x
# 创建模型实例
model = Net()
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001)
在每轮训练完成后,我们可以使用torch.save()
函数保存模型状态:
# 训练过程中,每轮训练完成后保存模型
torch.save({
'epoch': epoch,
'model_state_dict': model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': loss,
}, 'checkpoint.pth')
在这个例子中,我们将模型的epoch数、模型的状态、优化器的状态和损失值保存到了checkpoint.pth
文件中。
当我们需要从中断的地方继续训练模型时,可以使用torch.load()
函数加载之前保存的状态,并继续训练:
# 加载之前保存的模型状态
checkpoint = torch.load('checkpoint.pth')
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
epoch = checkpoint['epoch']
loss = checkpoint['loss']
# 模型继续训练
for epoch in range(epoch, num_epochs):
# 训练代码...
在这个例子中,我们加载了之前保存的模型状态,包括模型的权重、优化器的状态以及之前的训练轮数和损失值。然后,我们可以从上次中断的地方继续训练模型。
完整的断点续训代码示例
下面是一个完整的断点续训的代码示例,使用MNIST数据集和一个简单的卷积神经网络模型:
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
# 定义一个简单的卷积神经网络
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
x = nn.functional.relu(nn.functional.max_pool2d(self.conv1(x), 2))
x = nn.functional.relu(nn.functional.max_pool2d(self.conv2(x), 2))
x = x.view(-1, 320)
x = nn.functional.relu(self.fc1(x))
x = self.fc2(x)
return nn.functional.log_softmax(x, dim=1)
# 创建模型实例
model = Net()
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
# 加载MNIST数据集
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('data', train=True, download=True,
transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=64, shuffle=True)
# 定义训练函数
def train(epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
optimizer.zero_grad()
output = model(data)
loss = criterion(output, target)
loss.backward()
optimizer.step()
if batch_idx % 100 == 0: