通过一段时间系统的课程学习,算法攻城狮张同学对于飞桨框架的使用越来越顺手,于是他打算在企业内尝试使用飞桨进行AI产业落地。
但是AI产业落地并不是分秒钟的事情,除了专业技能过硬,熟悉飞桨的使用外,在落地过程中还会遇到很多细节的问题。这不,他就想到了两个棘手的小问题:
· 企业的数据集都比较大,使用这种大规模数据集进行模型训练的耗时会很长,往往需要持续数天甚至更长时间。这种情况下,就需要多次保存模型训练的参数,避免由于训练意外中断而前功尽弃。
· 模型训练至收敛后,需要将模型及参数保存下来,用于后续在服务器或者移动端环境中部署,在推理场景中发挥作用。
那么,如何高效地解决张同学提出的这两个问题呢?飞桨框架2.0RC为开发者提供了全新的动态图模式下的模型保存与加载体系,其中包含两个模型保存与加载的方案,分别适用于上述两个场景。(友情提示:飞桨框架2.0RC版本开始主推动态图模式,仍兼容保留对静态图模式的支持,但不再推荐使用。)
场景一:训练场景模型保存与加载(只需保存和加载模型参数即可)
在训练阶段,开发者仅需要保存和加载模型参数即可。飞桨提供了paddle.save和paddle.load接口用于实现该功能。当保存和加载模型参数时,可使用 paddle.save/load 结合Layer和Optimizer的state_dict()方法实现,这两个接口的关系入下图所示:
· state_dict是保存Layer或者Optimizer参数的键值对,state_dict的key为参数名,value为参数真实的numpy array数值;
· pdparams为Layer参数文件名的后缀;
· pdopt为Optimizer参数文件名的后缀。
相关文档获取地址:
https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/framework/io/save_cn.html
https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/framework/io/load_cn.html
下面举一个简单的线性回归模型示例。
import numpy as np
import paddle
import paddle.nn as nn
import paddle.optimizer as opt
BATCH_SIZE = 16
BATCH_NUM = 4
EPOCH_NUM = 10
IMAGE_SIZE = 784
CLASS_NUM = 10
# define a random dataset
class RandomDataset(paddle.io.Dataset):
def __init__(self, num_samples):
self.num_samples = num_samples
def __getitem__(self, idx):
image = np.random.random([IMAGE_SIZE]).astype('float32')
label = np.random.randint(0, CLASS_NUM - 1, (1, )).astype('int64')
return image, label
def __len__(self):
return self.num_samples
class LinearNet(nn.Layer):
def __init__(self):
super(LinearNet, self).__init__()
self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)
def forward(self, x):
return self._linear(x)
# create network
layer = LinearNet()
loss_fn = nn.CrossEntropyLoss()
adam = opt.Adam(learning_rate=0.001, parameters=layer.parameters())
# create data loader
dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
loader = paddle.io.DataLoader(dataset,
batch_size=BATCH_SIZE,
shuffle=True,
drop_last=True,
num_workers=2)
# train
for epoch_id in range(EPOCH_NUM):
for batch_id, (image, label) in enumerate(loader()):
out = layer(image)
loss = loss_fn(out, label)
loss.backward()
adam.step()
adam.clear_grad()
print("Epoch {} batch {}: loss = {}".format(
epoch_id, batch_id, np.mean(loss.numpy())))
如果想每训练一个epoch就保存一次模型参数,要如何实现呢?此时只需要在每个epoch训练结束后,保存一次Layer和Optimizer的参数即可。
# train
for epoch_id in range(EPOCH_NUM):
for batch_id, (image, label) in enumerate(loader()):
out = layer(image)
loss = loss_fn(out, label)
loss.backward()
adam.step()
adam.clear_grad()
print("Epoch {} batch {}: loss = {}".format(
epoch_id, batch_id, np.mean(loss.numpy())))
# save state_dict
paddle.save(layer.state_dict(), "{}/epoch_{}.pdparams".format(
'checkpoints', epoch_id))
paddle.save(adam.state_dict(),"{}/epoch_{}.pdopt".format(
'checkpoints', epoch_id))
执行该训练示例后,保存的结果如下,每个epoch执行完都保存了相应的训练参数。
λ ls checkpoints/
epoch_0.pdopt epoch_1.pdparams epoch_3.pdopt epoch_4.pdparams epoch_6.pdopt epoch_7.pdparams epoch_9.pdopt
epoch_0.pdparams epoch_2.pdopt epoch_3.pdparams epoch_5.pdopt epoch_6.pdparams epoch_8.pdopt epoch_9.pdparams
epoch_1.pdopt epoch_2.pdparams epoch_4.pdopt epoch_5.pdparams epoch_7.pdopt epoch_8.pdparams
如果训练意外中断,想要从某个epoch继续训练,或者想要加载某个推理效果更好的epoch的保存结果,可以通过paddle.load接口加载,然后通过set_state_dict接口配置。这里以加载第8个epoch的训练参数为例,只需要在创建网络之后,训练之前,将相应文件加载配置到的Layer和Optimizer中即可。
# create network
layer = LinearNet()
loss_fn = nn.CrossEntropyLoss()
adam = opt.Adam(learning_rate=0.001, parameters=layer.parameters())
# load
layer_state_dict = paddle.load("checkpoints/epoch_8.pdparams")
opt_state_dict = paddle.load("checkpoints/epoch_8.pdopt")
layer.set_state_dict(layer_state_dict)
adam.set_state_dict(opt_state_dict)
# create data loader
...
# train
...
场景二:推理&部署场景的模型保存与加载(需要同时保存推理模型的结构和参数)
在推理&部署场景中,需要同时保存推理模型的结构和参数,此时需要使用 paddle.jit.save和paddle.jit.load 接口实现。paddle.jit.save接口会自动调用飞桨框架2.0RC推出的动态图转静态图功能,使得用户可以做到使用动态图编程调试,自动转成静态图训练部署。
(小伙伴们应该了解,动态图是即时执行即时得到结果,并不会记录模型的结构信息。动态图在保存推理模型时,需要先将动态图模型转换为静态图写法,编译得到对应的模型结构再保存,飞桨框架2.0RC版本推出的动静转换体系,用于解决这个难题。)
这两个接口的基本关系如下图所示:
当用户使用paddle.jit.save保存Layer对象时,飞桨会自动将用户编写的动态图Layer模型转换为静态图写法,并编译得到模型结构,同时将模型结构与参数保存。paddle.jit.save需要适配飞桨沿用已久的推理模型与参数格式,做到前向完全兼容,因此其保存格式与paddle.save有所区别,具体包括三种文件:保存模型结构的*.pdmodel文件;保存推理用参数的*.pdiparams文件和保存兼容变量信息的*.pdiparams.info文件,这几个文件后缀均为paddle.jit.save保存时默认使用的文件后缀。
仍然接着前面的模型示例追加说明,直接在train实现后调用paddle.jit.save保存推理模型即可。
# save inference model
from paddle.static import InputSpec
paddle.jit.save(
layer=layer,
path="inference/linear",
input_spec=[InputSpec(shape=[None, 784], dtype='float32')])
此时,inference目录下的保存结果为:
λ ls inference/
linear.pdiparams linear.pdiparams.info linear.pdmodel
这里InputSpec是用于描述推理模型输入特性的对象,包括输入Tensor的shape和dtype。paddle.jit.save会根据input_spec传入的输入描述信息,推理得到整个模型的结构,该场景中input_spec是必须指定的。
另外,在使用paddle.jit.save保存需要注意:确保Layer.forward方法中仅实现推理相关的功能,避免将训练所需的loss计算逻辑写入forward方法。Layer更准确的语义是描述一个具有推理功能的模型对象,输出推理的结果,而loss计算是仅属于模型训练中的概念。将loss计算的实现放到Layer.forward方法中,会使Layer在不同场景下概念有所差别,并且增大Layer使用的复杂性,因此建议保持Layer实现的简洁性。举个例子:
下面代码是不推荐的Layer写法:
class LinearNet(nn.Layer):
def __init__(self):
super(LinearNet, self).__init__()
self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)
def forward(self, x, label=None):
out = self._linear(x)
if label:
loss = nn.functional.cross_entropy(out, label)
avg_loss = nn.functional.mean(loss)
return out, avg_loss
else:
return out
这才是推荐的Layer写法:
class LinearNet(nn.Layer):
def __init__(self):
super(LinearNet, self).__init__()
self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)
def forward(self, x):
return self._linear(x)
在模型加载方面,一般由paddle.jit.save保存的推理模型,会通过Paddle inference或者Paddle Lite等高效的推理工具加载并进行线上部署,不会再通过飞桨基础框架加载使用。但出于接口设计一致性的考虑,飞桨框架2.0RC新增了paddle.jit.load接口,也支持了通过飞桨基础框架的接口加载paddle.jit.save保存的推理模型,且加载后可以用于推理,也可以用于继续进行增量训练。
· 加载后进行推理:直接以保存之前的方式使用加载的对象即可,但要注意加载对象的输入需要和保存时指定的input_spec保持一致,示例如下:
# load inference model
loaded_layer = paddle.jit.load("inference/linear")
# inference
loaded_layer.eval()
x = paddle.randn([1, IMAGE_SIZE], 'float32')
pred = loaded_layer(x)
· 加载后进行增量训练:由于保存的模型是用于inference的模型,所以需要重新为网络添加loss function和optimizer,示例如下:
# load inference model
loaded_layer = paddle.jit.load("inference/linear")
# fine-tune
loaded_layer.train()
dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
loader = paddle.io.DataLoader(dataset,
batch_size=BATCH_SIZE,
shuffle=True,
drop_last=True,
num_workers=2)
loss_fn = nn.CrossEntropyLoss()
adam = opt.Adam(learning_rate=0.001, parameters=loaded_layer.parameters())
for epoch_id in range(EPOCH_NUM):
for batch_id, (image, label) in enumerate(loader()):
out = loaded_layer(image)
loss = loss_fn(out, label)
loss.backward()
adam.step()
adam.clear_grad()
print("Epoch {} batch {}: loss = {}".format(
epoch_id, batch_id, np.mean(loss.numpy())))
相关文档获取地址:
https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/fluid/dygraph/jit/save_cn.html
https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/fluid/dygraph/jit/load_cn.html
模型保存和加载是深度学习框架的基础I/O模块,是模型训练与部署的必用接口,整体关系如下图所示:
在最新版本中,相应的模型保存加载体系也有重大更新,在接口功能和易用性方面均有显著提升。除上述功能外,模型保存与加载模块还包含其他诸多易用的功能:
· 以上接口均兼容支持了从飞桨框架1.x的
paddle.fluid.io.save_inference_model、 paddle.fluid.save 、 paddle.fluid.io.save_params/save_persistables 等接口保存的结果中加载模型或者参数;
相关文档获取地址:
https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0
rc1/guides/02_paddle2.0_develop/08_model_save_load_cn.html#id15
· 仍然支持直接保存静态图模型,并保留了相关接口;
· 推出了动静一体的高层API,也有相应的保存/加载接口。更多内容,可以查阅飞桨官网→API文档(paddle.Modell.save/load)。
模型保存和加载体系是深度学习框架必不可少的部分,飞桨团队仍然在优化相关接口的质量和易用性,希望能给文中的张同学及广大开发者带来更好的产品体验。如果大家发现模型保存与加载相关接口有BUG、出现覆盖不到的场景等问题,欢迎通过Issue反馈给我们。对于工匠精神的追求,飞桨一直在努力,并非常期待与广大开发者携手并行,共同构建功能强大且易用的开源深度学习框架。
如在使用过程中有问题,可加入官方QQ群进行交流:1108045677。
如果您想详细了解更多飞桨的相关内容,请参阅以下文档。
·飞桨官网地址·
https://www.paddlepaddle.org.cn/
·飞桨开源框架项目地址·
GitHub: https://github.com/PaddlePaddle/Paddle
Gitee: https://gitee.com/paddlepaddle/Paddle
收藏学习
test
参考来练习一下
中断再训练功能很赞
讲得很清楚唉
越来越完善了啊
以后在AI社区贴代码还是转成图片好了……没有高亮啊
先用插件改善下吧~
说不定哪天就又悄悄的更新了
没吧,有插件可以改善么
社区的话估计难,框架一看就挺旧哈哈哈,维护起来吃力不讨好
PaddlePaddle2.0,CUDA 版本11.0,使用预训练模型deeplabv3p_xception65_humanseg进行抠图操作,有CPU内存泄漏,扣一张图看不出来,扣多图(例如视频的帧)时,占用内存一直在增加,直到本崩溃。
原因应该是paddlepaddle-gpu==2.0.0.post110,的某一模块没有释放内存。
CUDA10.2等低版本都是好的。
麻烦开发团队解决。如想复现问题可以联系我。
更新速度着实很快,攻城狮冲啊
现在社区代码不“吃”缩进了~
save load数据
设计师哪去了
优秀,但是是不是需要更新一版了?