保存模型
Linux
Ascend
GPU
CPU
模型导出
初级
中级
高级
概述
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,以便执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。
MindIR:MindSpore的一种基于图表示的函数式IR,定义了可扩展的图结构以及算子的IR表示,它消除了不同后端的模型差异。可以把在Ascend 910训练好的模型,在Ascend 310、GPU以及MindSpore Lite端侧上执行推理。
CheckPoint:MindSpore的存储了所有训练参数值的二进制文件。采用了Google的Protocol Buffers机制,与开发语言、平台无关,具有良好的可扩展性。CheckPoint的protocol格式定义在
mindspore/ccsrc/utils/checkpoint.proto
中。AIR:全称Ascend Intermediate Representation,类似ONNX,是华为定义的针对机器学习所设计的开放式的文件格式,能更好地适配Ascend AI处理器。
ONNX:全称Open Neural Network Exchange,是一种针对机器学习所设计的开放式的文件格式,用于存储训练好的模型。
以下通过示例来介绍保存CheckPoint格式文件和导出MindIR、AIR和ONNX格式文件的方法。
保存CheckPoint格式文件
在模型训练的过程中,使用Callback机制传入回调函数ModelCheckpoint
对象,可以保存模型参数,生成CheckPoint文件。
通过CheckpointConfig
对象可以设置CheckPoint的保存策略。保存的参数分为网络参数和优化器参数。
ModelCheckpoint
提供默认配置策略,方便用户快速上手。具体用法如下:
from mindspore.train.callback import ModelCheckpoint
ckpoint_cb = ModelCheckpoint()
model.train(epoch_num, dataset, callbacks=ckpoint_cb)
用户可以根据具体需求对CheckPoint策略进行配置。具体用法如下:
from mindspore.train.callback import ModelCheckpoint, CheckpointConfig
config_ck = CheckpointConfig(save_checkpoint_steps=32, keep_checkpoint_max=10)
ckpoint_cb = ModelCheckpoint(prefix='resnet50', directory=None, config=config_ck)
model.train(epoch_num, dataset, callbacks=ckpoint_cb)
上述代码中,首先需要初始化一个CheckpointConfig
类对象,用来设置保存策略。
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。
创建一个ModelCheckpoint
对象把它传递给model.train方法,就可以在训练过程中使用CheckPoint功能了。
生成的CheckPoint文件如下:
resnet50-graph.meta # 编译后的计算图
resnet50-1_32.ckpt # CheckPoint文件后缀名为'.ckpt'
resnet50-2_32.ckpt # 文件的命名方式表示保存参数所在的epoch和step数
resnet50-3_32.ckpt # 表示保存的是第3个epoch的第32个step的模型参数
...
如果用户使用相同的前缀名,运行多次训练脚本,可能会生成同名CheckPoint文件。MindSpore为方便用户区分每次生成的文件,会在用户定义的前缀后添加”_”和数字加以区分。如果想要删除.ckpt
文件时,请同步删除.meta
文件。
例:resnet50_3-2_32.ckpt
表示运行第3次脚本生成的第2个epoch的第32个step的CheckPoint文件。
当执行分布式并行训练任务时,每个进程需要设置不同
directory
参数,用以保存CheckPoint文件到不同的目录,以防文件发生读写错乱。
CheckPoint配置策略
MindSpore提供了两种保存CheckPoint策略:迭代策略和时间策略,可以通过创建CheckpointConfig
对象设置相应策略。
CheckpointConfig
中共有四个参数可以设置:
save_checkpoint_steps:表示每隔多少个step保存一个CheckPoint文件,默认值为1。
save_checkpoint_seconds:表示每隔多少秒保存一个CheckPoint文件,默认值为0。
keep_checkpoint_max:表示最多保存多少个CheckPoint文件,默认值为5。
keep_checkpoint_per_n_minutes:表示每隔多少分钟保留一个CheckPoint文件,默认值为0。
save_checkpoint_steps
和keep_checkpoint_max
为迭代策略,根据训练迭代的次数进行配置。
save_checkpoint_seconds
和keep_checkpoint_per_n_minutes
为时间策略,根据训练的时长进行配置。
两种策略不能同时使用,迭代策略优先级高于时间策略,当同时设置时,只有迭代策略可以生效。当参数显示设置为None
时,表示放弃该策略。在迭代策略脚本正常结束的情况下,会默认保存最后一个step的CheckPoint文件。
导出MindIR格式文件
如果想跨平台或硬件执行推理(GPU、Lite、Ascend 310),可以通过网络定义和CheckPoint生成MindIR格式模型文件。当前支持基于静态图,且不包含控制流语义的推理网络导出。导出该格式文件的代码样例如下:
import numpy as np
from mindspore import Tensor, export, load_checkpoint, load_param_into_net
resnet = ResNet50()
# load the parameter into net
load_checkpoint("resnet50-2_32.ckpt", net=resnet)
input = np.random.uniform(0.0, 1.0, size=[32, 3, 224, 224]).astype(np.float32)
export(resnet, Tensor(input), file_name='resnet50-2_32', file_format='MINDIR')
input
为export
方法的入参,代表网络的输入,如果网络有多个输入,需要一同传进export
方法。 例如:export(network, Tensor(input1), Tensor(input2), file_name='network', file_format='MINDIR')
导出的文件名称会自动添加”.mindir”后缀。
导出AIR格式文件
如果想在昇腾AI处理器上执行推理,还可以通过网络定义和CheckPoint生成AIR格式模型文件。导出该格式文件的代码样例如下:
import numpy as np
from mindspore import Tensor, export, load_checkpoint, load_param_into_net
resnet = ResNet50()
# load the parameter into net
load_checkpoint("resnet50-2_32.ckpt", net=resnet)
input = np.random.uniform(0.0, 1.0, size=[32, 3, 224, 224]).astype(np.float32)
export(resnet, Tensor(input), file_name='resnet50-2_32', file_format='AIR')
input
用来指定导出模型的输入shape以及数据类型。
input
为export
方法的入参,代表网络的输入,如果网络有多个输入,需要一同传进export
方法。 例如:export(network, Tensor(input1), Tensor(input2), file_name='network', file_format='AIR')
导出的文件名称会自动添加”.air”后缀。
导出ONNX格式文件
当有了CheckPoint文件后,如果想继续在昇腾AI处理器、GPU、CPU等多种硬件上做推理,需要通过网络和CheckPoint生成对应的ONNX格式模型文件。导出该格式文件的代码样例如下:
import numpy as np
from mindspore import Tensor, export, load_checkpoint, load_param_into_net
resnet = ResNet50()
# load the parameter into net
load_checkpoint("resnet50-2_32.ckpt", net=resnet)
input = np.random.uniform(0.0, 1.0, size=[32, 3, 224, 224]).astype(np.float32)
export(resnet, Tensor(input), file_name='resnet50-2_32', file_format='ONNX')
input
为export
方法的入参,代表网络的输入,如果网络有多个输入,需要一同传进export
方法。 例如:export(network, Tensor(input1), Tensor(input2), file_name='network', file_format='ONNX')
导出的文件名称会自动添加”.onnx”后缀。
目前ONNX格式导出仅支持ResNet系列网络。