로컬 파일의 모형 불러오기
이번 장은 로컬 파일에 저장된 모형 파일이 필요합니다. 가중치와 모형의 저장은 여기를 확인하고 미리 저장된 모형 파일 (cifar_net.pth)과 가중치 파일 (cifar_weigth.pth)을 준비하세요.
# 준비작업
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
from torchvision.datasets import CIFAR10
from torchvision.utils.data import DataLoader
# 1. Load and normalize CIFAR10
batch_size = 128
transform = transforms.Compose(
[transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = CIFAR10(root='./data', train=True,
download=True, transform=transform)
trainloader = DataLoader(trainset, batch_size=batch_size,
shuffle=True, num_workers=2)
testset = CIFAR10(root='./data', train=False,
download=True, transform=transform)
testloader = DataLoader(testset, batch_size=batch_size,
shuffle=False, num_workers=2)
# 2. Define a CNN
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
print('device:', device)
다음은 우리가 불러올 모형 클래스를 호출합니다.
# 모형 클래스 호출
class Net(nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = torch.flatten(x, 1) # flatten all dimensions except batch
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
다음과 같이 모형을 불러옵니다.
# 모형 불러오기
net = torch.load("cifar_net.pth")
동일하게 예측성능을 확인 할 수 있습니다.
# 예측 성능 확인
running_loss = 0.0
cnt = 0
criterion = nn.CrossEntropyLoss()
for i, (inputs, labels) in enumerate(testloader):
inputs, labels = inputs.to(device), labels.to(device)
# forward + backward + optimize
outputs = net(inputs)
loss = criterion(outputs, labels)*len(labels)
# print statistics
running_loss += loss.item()
cnt += torch.sum(labels == outputs.argmax(dim=1)).item()
outputs.shape
print("test loss:", running_loss/len(testset.targets))
print("Accuracy:", cnt/len(testset.targets))
로컬 파일의 모형 가중치 불러오기
다시 위에서 살펴보았던 준비작업을 실행합니다. 다음 아래와 같이 모형 인스턴스를 생성합니다.
# 인스턴스의 생성
net = Net().to(device)
net 이라는 모형에 가중치를 덮어 씌웁니다. 모형 가중치는 cifar_weight.pth 저장되어 있습니다.
# 모델의 가중치 불러오기
net.load_state_dict(torch.load('cifar_weight.pth'))
두 개 이상의 모델 가중치 저장하기
방법은 가중치를 저장하는 함수 state_dict() 을 이용하는 것은 같습니다. 모형가충치를 저장할 때, 딕셔너리 형태로 저장함을 확인하세요
save_path = "models.pth"
torch.save({
'modelA_state_dict': modelA.state_dict(),
'modelB_state_dict': modelB.state_dict(),
'optimizerA_state_dict': optimizerA.state_dict(),
'optimizerB_state_dict': optimizerB.state_dict(),
}, save_path)
모형 불러오기 입니다. modelA, modelB, optimizerA, optimizerB 를 만든 클래스를 먼저 불러온후 각 인스턴스를 초기화 시킵니다.
# 모델 초기화
modelA = ModelA()
modelB = ModelB()
# 옵티마이저 초기화
optimizerA = optim.SGD(modelA.parameters(), lr=0.001)
optimizerB = optim.SGD(modelB.parameters(), lr=0.001)
다음 파일로 부터 가중치를 불러 덮어 씌웁니다.
# 모델 초기화
modelA = ModelA()
modelB = ModelB()
# 옵티마이저 초기화
optimizerA = optim.SGD(modelA.parameters(), lr=0.001)
optimizerB = optim.SGD(modelB.parameters(), lr=0.001)
# 저장된 상태를 로드
save_path = "models.pth"
checkpoint = torch.load(save_path)
#가중치 덮어 씌우기
modelA.load_state_dict(checkpoint['modelA_state_dict'])
modelB.load_state_dict(checkpoint['modelB_state_dict'])
optimizerA.load_state_dict(checkpoint['optimizerA_state_dict'])
optimizerB.load_state_dict(checkpoint['optimizerB_state_dict'])
GAN 모형의 적합에서는 Generator와 Discriminator 모형을 각 각 한 개씩 만든 후 두 모형을 교대로 업데이트 합니다. 저장한 GAN 모형의 모형계수를 불러 업데이트 하는 경우에 위 방법을 이용합니다.
기타 데이터 객체의 저장
여러 개의 저장해야할 객체들이 있는 경우 pickle 패키지를 이용하여 저장할 수 있습니다. 먼저 저장해야할 객체들을 딕셔너리로 정리합니다. 다음과 같이 result_list, outer_list, inner_list 있다고 하면 다음과 같이 딕셔너리를 만듭니다.
# (python)
s_dict ={"result": result_list,
'outer': outer_list,
'inner': inner_list,
'num': output_list}
그리고 s_dict를 pickle로 저장합니다.
# (python)
import pickle
with open('result.pkl', 'wb') as file:
pickle.dump(s_dict, file)
저장한 pickle 파일 result.pkl는 아래 방법으로 다시 부를 수 있습니다.
# (python)
with open('result.pkl', 'rb') as file:
loaded_dict = pickle.load(file)