目的:
把训练好的pth模型参数提取出来,然后用其他方式部署到边缘设备。
Pytorch给了很方便的读取参数接口:
1
|
nn.Module.parameters()
|
直接看demo:
1
2
3
4
5
6
7
|
from torchvision.models.alexnet import alexnet
model = alexnet(pretrained = True ). eval ().cuda()
parameters = model.parameters()
for p in parameters:
numpy_para = p.detach().cpu().numpy()
print ( type (numpy_para))
print (numpy_para.shape)
|
上面得到的numpy_para就是numpy参数了~
Note:
model.parameters()是以一个生成器的形式迭代返回每一层的参数。所以用for循环读取到各层的参数,循环次数就表示层数。
而每一层的参数都是torch.nn.parameter.Parameter类型,是Tensor的子类,所以直接用tensor转numpy(即p.detach().cpu().numpy())的方法就可以直接转成numpy矩阵。
方便又好用,爆赞~
补充:pytorch训练好的.pth模型转换为.pt
将python训练好的.pth文件转为.pt
1
2
3
4
5
6
7
8
9
|
import torch
import torchvision
from unet import UNet
model = UNet( 3 , 2 ) #自己定义的网络模型
model.load_state_dict(torch.load( "best_weights.pth" )) #保存的训练模型
model. eval () #切换到eval()
example = torch.rand( 1 , 3 , 320 , 480 ) #生成一个随机输入维度的输入
traced_script_module = torch.jit.trace(model, example)
traced_script_module.save( "model.pt" )
|
以上为个人经验,希望能给大家一个参考,也希望大家多多支持服务器之家。如有错误或未考虑完全的地方,望不吝赐教。
原文链接:https://muzhan.blog.csdn.net/article/details/113066030