深度学习模型fintuning的效果反而变差的问题"/>
深度学习模型fintuning的效果反而变差的问题
在使用pytorch模型进行建模时,常常需要进行保存checkpoints,并在下次继续训练或者测试时使用,pytorch的保存和重载主要有两个方式:
1) 只保存参数
# 保存
torch.save(model.state_dict(), 'model.pth')
# 加载
model = Model(*argv)
model.load_state_dict(torch.load('model.pth'))
2) 模型全保存
# 保存
torch.save(model, 'model.pth')
# 加载
model = torch.load('model.pth')
两种保存方法区别和名字是一样的,官网推荐只保存参数。因为当模型设计GPU和CPU时,可以用保存参数的方式防止变量出错,模型尺寸也更小。
但是发现有时候保存的模型并不能很好地继续进行训练或者测试,原因找了很长时间,并不是代码bug。也不是模型的保存和重载出错。经过分析可能是以下两点问题:
1) 输入变了
虽然一般的输入在每次运行是不变的,但是有些输入是会变化的,尤其是一些涉及词库的数据,每次运行生成的词库顺序都不一样,这也是为什么很多模型要使用jupyter,就是为了保存中间变量。
例如,在第一次训练,x = [1,2,3,4,5];第二次训练是x = [1,3,2,5,4]。模型保存下来了,但是输入变了就导致没有意义了。
解决方案:可以使用pickle存储中间变量,将数据预处理与模型训练分文件存储。
2) 没保存优化器参数
有时候只保存模型的参数,而不保存优化器参数,再次训练时会引起问题。这时候需要保存优化器参数。
state = {‘net':model.state_dict(), 'optimizer':optimizer.state_dict(), 'epoch':epoch}
torch.save(state, 'model.pth')
更多推荐
深度学习模型fintuning的效果反而变差的问题
发布评论