【PyTorch】08训练技巧

模型保存与加载，就是序列化与反序列化，将模型持久化保存

【PyTorch】7.1 模型保存与加载

• torch.save()

  功能：模型保存，即序列化

  参数说明：

  • obj：对象
  • f：输出路径

• torch.load()

  功能：模型加载，即反序列化

  参数说明：

  • f：文件路径
  • map_location：指定存放位置，cpu or gpu

模型保存的两种方法：

官方推荐方法2：方法2比方法1速度快，但方法2只保存了模型参数，加载时需将参数加入网络(预先定义一个模型【模型必须与原模型相同的构造】)中才能获得完整模型

模型和优化器会随着迭代训练而变化，优化器中的缓存如momentum数值会改变

断点续训练可以使得意外中断的训练重新恢复之前的训练

【PyTorch】7.1 模型断点续训练

Transfer Learning(迁移学习)：机器学习分支，研究源域(source domain)的知识如何应用到目标域(target domain)

【PyTorch】7.2 模型Finetune

模型微调的步骤：

1. 获取预训练模型参数
2. 加载模型(load_state_dict)
3. 修改输出层

模型微调的训练方法：【让特征提取层的参数不更新或者缓慢更新】

1. 固定预训练的参数(requires_grad=Flase; lr=0)
2. Features Extractor(特征提取–卷积层)设置较小学习率(params_group)

CPU(Central Processing Unit，中央处理器)：主要包括控制器和运算器

GPU(Graphics Processing Unit，图形处理器)：处理统一的、无依赖的大规模数据运算

• to函数：转换数据类型/设备

  • **tensor.to(args,*kwargs)
  • **module.to(args,*kwargs)

  区别：张量不执行inplace操作，必须重新赋值，而模型会执行inplace操作
  

• torch.cuda常用方法

  • torch.cuda.device_count()：计算当前可见可用GPU数
  • torch.cuda.get_device_name()：获取GPU名称
  • torch.cuda.manual_seed()：为当前GPU设置随机种子
  • torch.cuda.manual_seed_all()：为所有可见可用GPU设置随机种子

分发 —》并行运算 —》结果回收

• torch.nn.DataParallel()
  
  功能：包装模型，实现分发并行机制

  参数说明：

  • module：需包装分发的模型，即训练的模型
  • device_ids：可分发的GPU，默认分发到所有可见可用GPU
  • output_device：结果输出设备，通常设置为逻辑GPU的第一个 ，即主GPU

PyTorch常见报错/坑汇总 (shimo.im)