介绍 torch.save (model.state_dict,路径) state =,{, & # 39;模型# 39;:,model.state_dict(), & # 39;优化器# 39;:optimizer.state_dict(), & # 39;时代# 39;:,epoch },,
torch.save(状态,,路径) def adjust_learning_rate(优化器,时代):
lr_t 才能=lr
时间=lr_t 才能;lr_t *,(0.3, * *,(时间//epoch 2))
for 才能;param_group optimizer.param_groups:拷贝
,,,param_group [& # 39; lr # 39;],=, lr_t model.load_state_dict (torch.load(路径)) checkpoint =, torch.load(路径)
model.load_state_dict(检查点[& # 39;模型# 39;])
optimizer.load_state_dict(检查点[& # 39;优化器# 39;])
start_epoch =,检查点(& # 39;时代# 39;)+ 1
小编给大家分享一下Pytorch保存模型用于测试和用于继续训练的区别是什么,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获、下面让我们一起去了解一下吧!
<强>保存模型
保存模型仅仅是为了测试的时候,只需要
路径为保存的路径
但是有时候模型及数据太多,难以一次性训练完的时候,而且用的还是亚当优化器的时候,一定要保存好训练的优化器参数以及时代
因为这里
学习率是根据时代变化的,如果不保存时代的话,基本上每次都从时代为0开始训练,这样学习率就相当于不变了! !
<>强恢复模型
恢复模型只用于测试的时候,
路径为之前存储模型时的路径
但是如果是用于继续训练的话,
依次恢复出模型优化器参数以及时代
以上是“Pytorch保存模型用于测试和用于继续训练的区别是什么”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注行业资讯频道!
