Skip to content

Latest commit

 

History

History
127 lines (92 loc) · 4.15 KB

load_model.md

File metadata and controls

127 lines (92 loc) · 4.15 KB

paddlex.load_model模型加载

目录

加载模型用于训练

我们以图像分类模型MobileNetV3_small为例，假设我们之前训练并保存好了模型（训练代码可参考示例代码），在这次训练时想加载之前训好的参数（之前训好的模型假设位于output/mobilenetv3_small/best_model），有两种实现方式：

方式一： 使用paddlex.load_model

import paddlex as pdx

model = pdx.load_model("output/mobilenetv3_small/best_model")

model.train(
    num_epochs=10,
    train_dataset=train_dataset,
    train_batch_size=32,
    eval_dataset=eval_dataset,
    lr_decay_epochs=[4, 6, 8],
    learning_rate=0.01,
    save_dir='output/mobilenetv3_small_new',
    use_vdl=True)

方式二： 指定pretrain_weights

import paddlex as pdx

model = pdx.cls.MobileNetV3_small(num_classes=num_classes)

model.train(
    pretrain_weights='output/mobilenetv3_small/best_model/model.pdparams',
    num_epochs=10,
    train_dataset=train_dataset,
    train_batch_size=32,
    eval_dataset=eval_dataset,
    lr_decay_epochs=[4, 6, 8],
    learning_rate=0.01,
    save_dir='output/mobilenetv3_small_new',
    use_vdl=True)

注意：paddlex.load_model只加载模型参数但不会恢复优化器设置，如果想要恢复训练，需定义模型之后在调用train()时指定resume_checkpoint为output/mobilenetv3_small/best_model，并且将pretrain_weights设置为None。

加载模型用于评估

我们以图像分类模型MobileNetV3_small为例，假设我们之前训练并保存好了模型（训练代码可参考示例代码），在这次想加载之前训好的参数（之前训好的模型假设位于output/mobilenetv3_small/best_model）重新评估模型在验证集上的精度，示例代码如下：

import paddlex as pdx
from paddlex import transforms as T


eval_transforms = T.Compose([
    T.ResizeByShort(short_size=256), T.CenterCrop(crop_size=224), T.Normalize()
])

eval_dataset = pdx.datasets.ImageNet(
    data_dir='vegetables_cls',
    file_list='vegetables_cls/val_list.txt',
    label_list='vegetables_cls/labels.txt',
    transforms=eval_transforms)


model = pdx.load_model("output/mobilenetv3_small/best_model")

res = model.evaluate(eval_dataset, batch_size=2)
print(res)

evaluate参数和返回值格式可参考evaluate

加载模型用于剪裁

模型剪裁时，先使用paddlex.load_moel加载模型，而后使用analyze_sensitivity、prune和train三个API完成剪裁：

model = pdx.load_model('output/mobilenet_v2/best_model')

model.analyze_sensitivity(
    dataset=eval_dataset, save_dir='output/mobilenet_v2/prune')
model.prune(pruned_flops=.2, save_dir=None)

model.train(
    num_epochs=10,
    train_dataset=train_dataset,
    train_batch_size=32,
    eval_dataset=eval_dataset,
    lr_decay_epochs=[4, 6, 8],
    learning_rate=0.025,
    pretrain_weights=None,
    save_dir='output/mobilenet_v2/prune',
    use_vdl=True)

具体的代码请参考模型剪裁示例代码

加载模型用于量化

模型量化时，先使用paddlex.load_moel加载模型，而后使用quant_aware_train完成量化：

model = pdx.load_model('output/mobilenet_v2/best_model')

model.quant_aware_train(
    num_epochs=5,
    train_dataset=train_dataset,
    train_batch_size=32,
    eval_dataset=eval_dataset,
    learning_rate=0.000025,
    save_dir='output/mobilenet_v2/quant',
    use_vdl=True)

具体的代码请参考模型量化示例代码

加载模型用于预测

请转至文档加载模型预测查看加载模型用于预测的使用方式。