飞桨框架2.0RC新增模型保存、加载方案,与用户场景完美匹配,更全面、更易用...

01/11 20:55
阅读数 7

点击左上方蓝字关注我们

通过一段时间系统的课程学习,算法攻城狮张同学对于飞桨框架的使用越来越顺手,于是他打算在企业内尝试使用飞桨进行AI产业落地。

但是AI产业落地并不是分秒钟的事情,除了专业技能过硬,熟悉飞桨的使用外,在落地过程中还会遇到很多细节的问题。这不,他就想到了两个棘手的小问题:

  • 企业的数据集都比较大,使用这种大规模数据集进行模型训练的耗时会很长,往往需要持续数天甚至更长时间。这种情况下,就需要多次保存模型训练的参数,避免由于训练意外中断而前功尽弃。

  • 模型训练至收敛后,需要将模型及参数保存下来,用于后续在服务器或者移动端环境中部署,在推理场景中发挥作用。

那么,如何高效地解决张同学提出的这两个问题呢?飞桨框架2.0RC为开发者提供了全新的动态图模式下的模型保存与加载体系,其中包含两个模型保存与加载的方案,分别适用于上述两个场景。(友情提示:飞桨框架2.0RC版本开始主推动态图模式,仍兼容保留对静态图模式的支持,但不再推荐使用。)


场景一:训练场景模型保存与加载(只需保存和加载模型参数即可)

在训练阶段,开发者仅需要保存和加载模型参数即可。飞桨提供了paddle.save和paddle.load接口用于实现该功能。当保存和加载模型参数时,可使用 paddle.save/load 结合Layer和Optimizer的state_dict()方法实现,这两个接口的关系入下图所示:

  • state_dict是保存Layer或者Optimizer参数的键值对,state_dict的key为参数名,value为参数真实的numpy array数值;

  • .pdparams为Layer参数文件名的后缀;

  • .pdopt为Optimizer参数文件名的后缀。

相关文档获取地址:

https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/framework/io/save_cn.html

https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/framework/io/load_cn.html

下面举一个简单的线性回归模型示例。

import numpy as np
import paddle
import paddle.nn as nn
import paddle.optimizer as opt

BATCH_SIZE = 16
BATCH_NUM = 4
EPOCH_NUM = 10

IMAGE_SIZE = 784
CLASS_NUM = 10

# define a random dataset
class RandomDataset(paddle.io.Dataset):
    def __init__(self, num_samples):
        self.num_samples = num_samples

    def __getitem__(self, idx):
        image = np.random.random([IMAGE_SIZE]).astype('float32')
        label = np.random.randint(0, CLASS_NUM - 1, (1, )).astype('int64')
        return image, label

    def __len__(self):
        return self.num_samples

class LinearNet(nn.Layer):
    def __init__(self):
        super(LinearNet, self).__init__()
        self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)

    def forward(self, x):
        return self._linear(x)

# create network
layer = LinearNet()
loss_fn = nn.CrossEntropyLoss()
adam = opt.Adam(learning_rate=0.001, parameters=layer.parameters())

# create data loader
dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
loader = paddle.io.DataLoader(dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    drop_last=True,
num_workers=2)

# train
for epoch_id in range(EPOCH_NUM):
    for batch_id, (image, label) in enumerate(loader()):
        out = layer(image)
        loss = loss_fn(out, label)
        loss.backward()
        adam.step()
        adam.clear_grad()
        print("Epoch {} batch {}: loss = {}".format(
            epoch_id, batch_id, np.mean(loss.numpy())))

如果想每训练一个epoch就保存一次模型参数,要如何实现呢?此时只需要在每个epoch训练结束后,保存一次Layer和Optimizer的参数即可。

# train
for epoch_id in range(EPOCH_NUM):
    for batch_id, (image, label) in enumerate(loader()):
        out = layer(image)
        loss = loss_fn(out, label)
        loss.backward()
        adam.step()
        adam.clear_grad()
        print("Epoch {} batch {}: loss = {}".format(
            epoch_id, batch_id, np.mean(loss.numpy())))
    # save state_dict
    paddle.save(layer.state_dict(), "{}/epoch_{}.pdparams".format(
      'checkpoints', epoch_id))
    paddle.save(adam.state_dict(),"{}/epoch_{}.pdopt".format(
      'checkpoints', epoch_id))

执行该训练示例后,保存的结果如下,每个epoch执行完都保存了相应的训练参数。

λ ls checkpoints/
epoch_0.pdopt     epoch_1.pdparams  epoch_3.pdopt     epoch_4.pdparams  epoch_6.pdopt     epoch_7.pdparams  epoch_9.pdopt
epoch_0.pdparams  epoch_2.pdopt     epoch_3.pdparams  epoch_5.pdopt     epoch_6.pdparams  epoch_8.pdopt     epoch_9.pdparams
epoch_1.pdopt     epoch_2.pdparams  epoch_4.pdopt     epoch_5.pdparams  epoch_7.pdopt     epoch_8.pdparams

如果训练意外中断,想要从某个epoch继续训练,或者想要加载某个推理效果更好的epoch的保存结果,可以通过paddle.load接口加载,然后通过set_state_dict接口配置。这里以加载第8个epoch的训练参数为例,只需要在创建网络之后,训练之前,将相应文件加载配置到的Layer和Optimizer中即可。

# create network
layer = LinearNet()
loss_fn = nn.CrossEntropyLoss()
adam = opt.Adam(learning_rate=0.001, parameters=layer.parameters())

# load
layer_state_dict = paddle.load("checkpoints/epoch_8.pdparams")
opt_state_dict = paddle.load("checkpoints/epoch_8.pdopt")

layer.set_state_dict(layer_state_dict)
adam.set_state_dict(opt_state_dict)

# create data loader
...
# train
...


场景二:推理&部署场景的模型保存与加载(需要同时保存推理模型的结构和参数)

在推理&部署场景中,需要同时保存推理模型的结构和参数,此时需要使用 paddle.jit.save和paddle.jit.load 接口实现。paddle.jit.save接口会自动调用飞桨框架2.0RC推出的动态图转静态图功能,使得用户可以做到使用动态图编程调试,自动转成静态图训练部署。

(小伙伴们应该了解,动态图是即时执行即时得到结果,并不会记录模型的结构信息。动态图在保存推理模型时,需要先将动态图模型转换为静态图写法,编译得到对应的模型结构再保存,飞桨框架2.0RC版本推出的动静转换体系,用于解决这个难题。)

这两个接口的基本关系如下图所示:

当用户使用paddle.jit.save保存Layer对象时,飞桨会自动将用户编写的动态图Layer模型转换为静态图写法,并编译得到模型结构,同时将模型结构与参数保存。paddle.jit.save需要适配飞桨沿用已久的推理模型与参数格式,做到前向完全兼容,因此其保存格式与paddle.save有所区别,具体包括三种文件:保存模型结构的*.pdmodel文件;保存推理用参数的*.pdiparams文件和保存兼容变量信息的*.pdiparams.info文件,这几个文件后缀均为paddle.jit.save保存时默认使用的文件后缀。

仍然接着前面的模型示例追加说明,直接在train实现后调用paddle.jit.save保存推理模型即可。

# save inference model
from paddle.static import InputSpec
paddle.jit.save(
    layer=layer,
    path="inference/linear",
    input_spec=[InputSpec(shape=[None, 784], dtype='float32')])

此时,inference目录下的保存结果为:

λ ls inference/
linear.pdiparams  linear.pdiparams.info  linear.pdmodel

这里InputSpec是用于描述推理模型输入特性的对象,包括输入Tensor的shape和dtype。paddle.jit.save会根据input_spec传入的输入描述信息,推理得到整个模型的结构,该场景中input_spec是必须指定的。

另外,在使用paddle.jit.save保存需要注意:确保Layer.forward方法中仅实现推理相关的功能,避免将训练所需的loss计算逻辑写入forward方法。Layer更准确的语义是描述一个具有推理功能的模型对象,输出推理的结果,而loss计算是仅属于模型训练中的概念。将loss计算的实现放到Layer.forward方法中,会使Layer在不同场景下概念有所差别,并且增大Layer使用的复杂性,因此建议保持Layer实现的简洁性。举个例子:

下面代码是不推荐的Layer写法:

class LinearNet(nn.Layer):
    def __init__(self):
        super(LinearNet, self).__init__()
        self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)

    def forward(self, x, label=None):
        out = self._linear(x)
        if label:
            loss = nn.functional.cross_entropy(out, label)
            avg_loss = nn.functional.mean(loss)
            return out, avg_loss
        else:
            return out

这才是推荐的Layer写法:

class LinearNet(nn.Layer):
    def __init__(self):
        super(LinearNet, self).__init__()
        self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)

    def forward(self, x):
        return self._linear(x)

在模型加载方面,一般由paddle.jit.save保存的推理模型,会通过Paddle inference或者Paddle Lite等高效的推理工具加载并进行线上部署,不会再通过飞桨基础框架加载使用。但出于接口设计一致性的考虑,飞桨框架2.0RC新增了paddle.jit.load接口,也支持了通过飞桨基础框架的接口加载paddle.jit.save保存的推理模型,且加载后可以用于推理,也可以用于继续进行增量训练。

  • 加载后进行推理:直接以保存之前的方式使用加载的对象即可,但要注意加载对象的输入需要和保存时指定的input_spec保持一致,示例如下:

# load inference model
loaded_layer = paddle.jit.load("inference/linear")

# inference
loaded_layer.eval()
x = paddle.randn([1, IMAGE_SIZE], 'float32')
pred = loaded_layer(x)

  • 加载后进行增量训练:由于保存的模型是用于inference的模型,所以需要重新为网络添加loss function和optimizer,示例如下:

# load inference model
loaded_layer = paddle.jit.load("inference/linear")

# fine-tune
loaded_layer.train()
dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
loader = paddle.io.DataLoader(dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    drop_last=True,
    num_workers=2)
loss_fn = nn.CrossEntropyLoss()
adam = opt.Adam(learning_rate=0.001, parameters=loaded_layer.parameters())
for epoch_id in range(EPOCH_NUM):
    for batch_id, (image, label) in enumerate(loader()):
        out = loaded_layer(image)
        loss = loss_fn(out, label)
        loss.backward()
        adam.step()
        adam.clear_grad()
        print("Epoch {} batch {}: loss = {}".format(
            epoch_id, batch_id, np.mean(loss.numpy())))

相关文档获取地址:

https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/fluid/dygraph/jit/save_cn.html

https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc1/api/paddle/fluid/dygraph/jit/load_cn.html

模型保存和加载是深度学习框架的基础I/O模块,是模型训练与部署的必用接口,整体关系如下图所示:

在最新版本中,相应的模型保存加载体系也有重大更新,在接口功能和易用性方面均有显著提升。除上述功能外,模型保存与加载模块还包含其他诸多易用的功能:

  • 以上接口均兼容支持了从飞桨框架1.x的

    paddle.fluid.io.save_inference_model、 paddle.fluid.save 、 paddle.fluid.io.save_params/save_persistables 等接口保存的结果中加载模型或者参数;

    相关文档获取地址:

    https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0

    rc1/guides/02_paddle2.0_develop/08_model_save_load_cn.html#id15

  • 仍然支持直接保存静态图模型,并保留了相关接口;

  • 推出了动静一体的高层API,也有相应的保存/加载接口。更多内容,可以查阅飞桨官网→API文档(paddle.Modell.save/load)。

模型保存和加载体系是深度学习框架必不可少的部分,飞桨团队仍然在优化相关接口的质量和易用性,希望能给文中的张同学及广大开发者带来更好的产品体验。如果大家发现模型保存与加载相关接口有BUG、出现覆盖不到的场景等问题,欢迎通过Issue反馈给我们。对于工匠精神的追求,飞桨一直在努力,并非常期待与广大开发者携手并行,共同构建功能强大且易用的开源深度学习框架。

如在使用过程中有问题,可加入官方QQ群进行交流:1108045677。

如果您想详细了解更多飞桨的相关内容,请参阅以下文档。

·飞桨官网地址·

https://www.paddlepaddle.org.cn/

·飞桨开源框架项目地址·

GitHub: https://github.com/PaddlePaddle/Paddle 

Gitee: https://gitee.com/paddlepaddle/Paddle

微信号 : PaddleOpenSource

飞桨(PaddlePaddle)以百度多年的深度学习技术研究和业务应用为基础,是中国首个开源开放、技术领先、功能完备的产业级深度学习平台,包括飞桨开源平台和飞桨企业版。飞桨开源平台包含核心框架、基础模型库、端到端开发套件与工具组件,持续开源核心能力,为产业、学术、科研创新提供基础底座。飞桨企业版基于飞桨开源平台,针对企业级需求增强了相应特性,包含零门槛AI开发平台EasyDL和全功能AI开发平台BML。EasyDL主要面向中小企业,提供零门槛、预置丰富网络和模型、便捷高效的开发平台;BML是为大型企业提供的功能全面、可灵活定制和被深度集成的开发平台。

本文同步分享在 博客“飞桨PaddlePaddle”(CSDN)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部