。

如果想继续在不同硬件平台上做推理#xff0c;可通过网络和CheckPoint格式文件生成对应的…模型保存与加载

学习心得

格式文件在模型训练过程中可以添加检查点(CheckPoint)用于保存模型的参数以便进行推理及再训练使用。

如果想继续在不同硬件平台上做推理可通过网络和CheckPoint格式文件生成对应的MINDIR、AIR和ONNX格式文件。

model

network()

mindspore.save_checkpoint(model,

model.ckpt)可以通过CheckpointConfig对象可以设置CheckPoint的保存策略。

save_checkpoint_steps表示每隔多少个step保存一次。

keep_checkpoint_max表示最多保留CheckPoint文件的数量。

prefix表示生成CheckPoint文件的前缀名。

directory表示存放文件的目录。

from

CheckpointConfig(save_checkpoint_steps32,

ckpoint_cb

ModelCheckpoint(prefixresnet50,

directoryNone,

callbacksckpoint_cb)要加载模型权重需要先创建相同模型的实例然后使用load_checkpoint和load_param_into_net方法加载参数。

model

mindspore.load_checkpoint(model.ckpt)param_not_load,

mindspore.load_param_into_net(model,

param_dict)print(param_not_load)param_not_load是未被加载的参数列表为空时代表所有参数均加载成功。

[]

保存和加载MindIR当有了CheckPoint文件后如果想继续在MindSpore

Lite端侧做推理需要通过网络和CheckPoint生成对应的MINDIR格式模型文件。

统一表示MindIR作为MindSpore云侧训练和端侧推理的统一模型文件同时存储了网络结构和权重参数值。

这使得MindSpore能够在不同的硬件平台上实现一次训练多次部署的能力。

导出MindIRMindSpore提供了export接口可以直接将模型保存为MindIR格式。

保存模型

model

mindspore.set_context(modemindspore.GRAPH_MODE)

graph