mindspore.load_checkpoint_async
- mindspore.load_checkpoint_async(ckpt_file_name, net=None, strict_load=False, filter_prefix=None, dec_key=None, dec_mode='AES-GCM', specify_prefix=None, choice_func=None)[源代码]
异步加载checkpoint文件。
警告
这是一个实验性API,后续可能修改或删除。
说明
specify_prefix 和 filter_prefix 的功能相互之间没有影响。
如果发现没有参数被成功加载,将会报ValueError。
specify_prefix 和 filter_prefix 参数已被弃用,推荐使用 choice_func 代替。并且使用这两个参数中的任何一个都将覆盖 choice_func 。
- 参数:
ckpt_file_name (str) - checkpoint的文件名称。
net (Cell,可选) - 加载checkpoint参数的网络。默认值:
None
。strict_load (bool,可选) - 是否将严格加载参数到网络中。如果是
False
,它将根据相同的后缀名将参数字典中的参数加载到网络中,并会在精度不匹配时,进行强制精度转换,比如将float32转换为float16。默认值:False
。filter_prefix (Union[str, list[str], tuple[str]],可选) - 废弃(请参考参数 choice_func)。以 filter_prefix 开头的参数将不会被加载。默认值:
None
。dec_key (Union[None, bytes],可选) - 用于解密的字节类型密钥,如果值为
None
,则不需要解密。默认值:None
。dec_mode (str,可选) - 该参数仅当 dec_key 不为
None
时有效。指定解密模式,目前支持"AES-GCM"
,"AES-CBC"
和"SM4-CBC"
。默认值:"AES-GCM"
。specify_prefix (Union[str, list[str], tuple[str]],可选) - 废弃(请参考参数 choice_func)。以 specify_prefix 开头的参数将会被加载。默认值:
None
。choice_func (Union[None, function],可选) - 函数的输入值为字符串类型的Parameter名称,并且返回值是一个布尔值。如果返回
True
,则匹配自定义条件的Parameter将被加载。 如果返回False
,则匹配自定义条件的Parameter将被删除。默认值:None
。
- 返回:
自定义的内部类, 调用其 result 方法可以得到
mindspore.load_checkpoint()
返回的结果。- 异常:
ValueError - checkpoint文件格式不正确。
ValueError - 没有一个参数被成功加载。
TypeError - specify_prefix 或者 filter_prefix 的数据类型不正确。
样例:
>>> import mindspore >>> from mindspore import nn >>> from mindspore.train import Model >>> from mindspore.amp import FixedLossScaleManager >>> from mindspore import context >>> from mindspore import load_checkpoint_async >>> from mindspore import load_param_into_net >>> context.set_context(mode=context.GRAPH_MODE, device_target="Ascend") >>> # Create the dataset taking MNIST as an example. Refer to >>> # https://gitee.com/mindspore/docs/blob/master/docs/mindspore/code/mnist.py >>> dataset = create_dataset() >>> # Define the network structure of LeNet5. Refer to >>> # https://gitee.com/mindspore/docs/blob/master/docs/mindspore/code/lenet.py >>> ckpt_file = "./checkpoint/LeNet5-1_32.ckpt" >>> net = LeNet5() >>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction="mean") >>> loss_scale_manager = FixedLossScaleManager() >>> optim = nn.Momentum(params=net.trainable_params(), learning_rate=0.1, momentum=0.9) >>> model = Model(net, loss_fn=loss, optimizer=optim, metrics=None, ... loss_scale_manager=loss_scale_manager) >>> pd_future = load_checkpoint_async(ckpt_file) >>> model.build(train_dataset=dataset, epoch=2) >>> param_dict = pd_future.result() >>> load_param_into_net(net, param_dict) >>> model.train(2, dataset) >>> print("param dict len: ", len(param_dict), flush=True)