昇思25天学习打卡营第09天 | 保存与加载

在训练网络模型的过程中，通常希望保存中间状态和最后的结果，用于后续的模型微调、推理和部署。

定义网络

def network():
   model = nn.SequentialCell(
               nn.Flatten(),
               nn.Dense(28*28, 512),
               nn.ReLU(),
               nn.Dense(512, 512),
               nn.ReLU(),
               nn.Dense(512, 10))
   return model

model = network()

保存模型

通过save_checkpoint()接口，传入网络和路径来保存模型：

mindspore.save_checkpoint(model, "model.ckpt")

加载模型

加载模型时首先需要创建相同的模型实例，然后通过load_checkpoint()和load_param_into_net()方法加载参数：

model = network()
param_dict = mindspore.load_checkpoint("model.ckpt")
param_not_load, _ = mindspore.load_param_into_net(model, param_dict)

保存MindIR

MindSpore提供云端（训练）和端侧（推理）统一的中间表示（Intermediate Representaton，IR）。
使用export接口将模型保存为MindIR。

• MindIR同时保存Checkpoint和模型结构，因此需要定义输入Tensor来获取输入shape。

model = network()
inputs = Tensor(np.ones([1, 1, 28, 28]).astype(np.float32))
mindspore.export(model, inputs, file_name="model", file_format="MINDIR")

加载MindIR

MindIR可以通过load接口加载，传入nn.GraphCell即可进行推理。

nn.GraphCell仅支持图模式。

mindspore.set_context(mode=mindspore.GRAPH_MODE)

graph = mindspore.load("model.mindir")
model = nn.GraphCell(graph)
outputs = model(inputs)
print(outputs.shape)

总结

这一节的内容对模型的保存和加载接口进行了介绍。通过save_checkpoint将模型保存为.ckpt格式，通过load_checkpoint和load_param_into_net将.ckpt文件重新加载到网络中进行后续操作。此外，还可以通过export接口将模型保存为MindIR格式，同时保存Checkpoint和模型结果，然后通过load加载到nn.GraphCell中即可进行推理。

打卡