第Python中torch.load()加載模型以及其map目錄參考torch.load()模型的保存模型加載中的map_location參數map_location=Nonemap_location=torch.device()map_location={xx:xx}總結

參考

TORCH.LOAD

torch.load()

函數格式為：torch.load(f,map_location=None,pickle_module=pickle,**pickle_load_args)，一般我們使用的時候，基本只使用前兩個參數。

模型的保存

模型保存有兩種形式，一種是保存模型的state_dict()，只是保存模型的參數。那么加載時需要先創建一個模型的實例model，之后通過torch.load()將保存的模型參數加載進來，得到dict，再通過model.load_state_dict(dict)將模型的參數更新。

另一種是將整個模型保存下來，之后加載的時候只需要通過torch.load()將模型加載，即可返回一個加載好的模型。

具體可參考：PyTorch模型的保存與加載。

模型加載中的map_location參數

具體來說，map_location參數是用于重定向，比如此前模型的參數是在cpu中的，我們希望將其加載到cuda:0中。或者我們有多張卡，那么我們就可以將卡1中訓練好的模型加載到卡2中，這在數據并行的分布式深度學習中可能會用到。

首先定義一個AlexNet，并使用cuda:0將其訓練了一個貓狗分類，之后把模型存儲起來。

map_location=None

我們先把state_dict加載進來。

model_path="./cuda_model.pth"

model=torch.load(model_path)

print(next(model.parameters()).device)

結果為：

cuda:0

因為保存的時候就是模型就是cuda:0的，所以加載進來也是。

map_location=torch.device()

model_path="./cuda_model.pth"

model=torch.load(model_path,map_location=torch.device('cpu'))

print(next(model.parameters()).device)

結果為：

cpu

模型從cuda:0變成了cpu。

map_location={xx:xx}

model_path="./cuda_model.pth"

model=torch.load(model_path,map_location={'cuda:0':'cuda:1'})

print(next(model.parameters()).device)

結果為：

cuda:1

模型從cuda:0變成了cuda:1。

model_path="./cuda_model.pth"

model=torch.load(model_path,map_location={'cuda:2':'cpu'})

print(next(model.parameters()).device)

結果為：

cuda:0

模型還是cuda:0，并沒有變成cpu。因為這個map_location的映射是不對的，原始的模型就是c