這幾天在一機多卡的環境下，用pytorch訓練模型，遇到很多問題。現總結一個實用的做實驗方式：
多GPU下訓練，創建模型代碼通常如下：
os.environ['CUDA_VISIBLE_DEVICES'] = args.cuda
model = MyModel(args)
if torch.cuda.is_available() and args.use_gpu:
model = torch.nn.DataParallel(model).cuda()
官方建議的模型保存方式，只保存參數：
torch.save(model.module.state_dict(), "model.pkl")
其實，這樣很麻煩，我建議直接保存模型（參數+圖）：
torch.save(model, "model.pkl")
這樣做很實用，特別是我們需要反復建模和調試的時候。這種情況下模型的加載很方便，因為模型的圖已經和參數保存在一起，我們不需要根據不同的模型設置相應的超參，更換對應的網絡結構，如下：
if not (args.pretrained_model_path is None):
print('load model from %s ...' % args.pretrained_model_path)
model = torch.load(args.pretrained_model_path)
print('success!')
但是需要注意，這種方式加載的是多GPU下模型。如果服務器環境變化不大，或者和訓練時候是同一個GPU環境，就不會出現問題。
如果系統環境發生了變化，或者，我們只想加載模型參數，亦或是遇到下面的問題：
AttributeError: 'model' object has no attribute 'copy'
或者
AttributeError: 'DataParallel' object has no attribute 'copy'
或者
RuntimeError: module must have its parameters and buffers on device cuda:0 (device_ids[0]) but found
這時候我們可以用下面的方式載入模型，先建立模型，然后加載參數。
os.environ['CUDA_VISIBLE_DEVICES'] = args.cuda
# 建立模型
model = MyModel(args)
if torch.cuda.is_available() and args.use_gpu:
model = torch.nn.DataParallel(model).cuda()
if not (args.pretrained_model_path is None):
print('load model from %s ...' % args.pretrained_model_path)
# 獲得模型參數
model_dict = torch.load(args.pretrained_model_path).module.state_dict()
# 載入參數
model.module.load_state_dict(model_dict)
print('success!')
到此這篇關于PyTorch 多GPU下模型的保存與加載(踩坑筆記)的文章就介紹到這了,更多相關PyTorch 多GPU下模型的保存與加載內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- 基于pytorch的保存和加載模型參數的方法
- Pytorch之保存讀取模型實例
- pytorch模型的保存和加載、checkpoint操作
