如何加载经过训练的MXnet模型?
deep-learning
mxnet
17
0

我已经使用MXnet训练了网络,但是不确定如何保存和加载参数以供以后使用。首先,我定义并训练网络:

    dataIn = mx.sym.var('data')
    fc1 = mx.symbol.FullyConnected(data=dataIn, num_hidden=100)
    act1 = mx.sym.Activation(data=fc1, act_type="relu")
    fc2 = mx.symbol.FullyConnected(data=act1, num_hidden=50)
    act2 = mx.sym.Activation(data=fc2, act_type="relu")
    fc3 = mx.symbol.FullyConnected(data=act2, num_hidden=25)
    act3 = mx.sym.Activation(data=fc3, act_type="relu")
    fc4 = mx.symbol.FullyConnected(data=act3, num_hidden=10)
    act4 = mx.sym.Activation(data=fc4, act_type="relu")
    fc5 = mx.symbol.FullyConnected(data=act4, num_hidden=2)
    lenet = mx.sym.SoftmaxOutput(data=fc5, name='softmax',normalization = 'batch')


# create iterator around training and validation data
train_iter = mx.io.NDArrayIter(data=data[:ntrain], label = phen[:ntrain],batch_size=batch_size, shuffle=True)
val_iter = mx.io.NDArrayIter(data=data[ntrain:], label=phen[ntrain:], batch_size=batch_size)

# create a trainable module on GPU 0
lenet_model = mx.mod.Module(symbol=lenet, context=mx.gpu())
# train with the same
lenet_model.fit(train_iter,
                eval_data=val_iter,
                optimizer='adam',
                optimizer_params={'learning_rate':0.00001},
                eval_metric='f1',
                batch_end_callback = mx.callback.Speedometer(batch_size, 10),
                num_epoch=1000)

该模型在测试集上表现良好,因此我想保留它。接下来,我保存网络布局和参数化:

lenet.save('./testNet_symbol.mxnet')
lenet_model.save_params('./testNet_module.mxnet')

我在加载网络时可以找到的所有文档似乎都已在训练例程中实现了保存功能,以在每个时期结束时保存网络参数。在训练过程中我没有设置这些检查点。其他方法使用mx.model.FeedForward类,这似乎不合适。还有其他方法从.json文件加载网络,这是我的保存功能所没有的。培训结束后,如何保存/加载网络?

参考资料:
Stack Overflow
收藏
评论
共 1 个回答
高赞 时间 活跃

您只需要执行以下操作即可保存:

lenet_model.save_checkpoint('lenet', num_epoch, save_optimizer_states=True)

如果状态标志设置为True,则将创建3个文件,否则将创建2个文件:

.params(权重)、. json(符号)、. states

这个加载:

lenet_model = mx.mod.Module.load(prefix,epoch)
lenet_model.bind(for_training=False, data_shapes=[('data', (1,3,224,224))])
收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号