保存模型

Linux Ascend GPU CPU 模型导出 初级 中级 高级

查看源文件    查看notebook    在线运行

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_stepskeep_checkpoint_max为迭代策略,根据训练迭代的次数进行配置。 save_checkpoint_secondskeep_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(如昇腾AI处理器、MindSpore端侧、GPU等),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')
  • inputexport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。

为了避免protobuf的硬件限制,当导出的模型参数大小超过1G时,框架默认会把网络结构和参数分开保存。

  • 网络结构文件的名称以用户指定前缀加_graph.mindir结尾。

  • 同级目录下,会生用户指定前缀加_variables的文件夹,里面存放网络的参数。

以上述代码为例,如果模型中参数大小超过1G,生成的目录结构如下:

resnet50-2_32_graph.mindir
resnet50-2_32_variables
    data_0
    data_1
    ...

加载时,如果传入的文件名以_graph.mindir结尾,框架会自动查找同级目录下的参数文件。

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。

  • inputexport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')
  • inputexport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。