• 模型保存与加载
    • 变量、持久性变量和参数
    • 模型保存API介绍
    • 模型加载API介绍

    模型保存与加载

    模型的保存与加载主要涉及到如下八个API:fluid.io.save_varsfluid.io.save_paramsfluid.io.save_persistablesfluid.io.save_inference_modelfluid.io.load_varsfluid.io.load_paramsfluid.io.load_persistablesfluid.io.load_inference_model

    变量、持久性变量和参数

    Paddle 中,算子(Operator)的每一个输入和输出都是一个变量(Variable),而参数(Parameter)是变量(Variable)的子类。持久性变量(Persistables)是一种在每次迭代结束后均不会被删除的变量。参数是一种持久性变量,其在每次迭代后都会被优化器(优化器)更新。训练神经网络本质上就是在更新参数。

    模型保存API介绍

    • fluid.io.save_vars:通过执行器(执行引擎)保存变量到指定的目录中。保存变量的方式有两种:

    1)通过接口中的 vars 指定需要保存的变量列表。

    2)将一个已经存在的程序(Program)赋值给接口中的 main_program,然后这个程序中的所有变量都将被保存下来。

    第一种保存方式的优先级要高于第二种。

    API Reference 请参考 save_vars。

    • fluid.io.save_params:通过接口中的 main_program 指定好程序(Program),该接口会将所指定程序中的全部参数(Parameter)过滤出来,并将它们保存到 dirname 指定的文件夹或 filename 指定的文件中。

    API Reference 请参考 save_params。

    • fluid.io.save_persistables:通过接口中的 main_program 指定好程序(Program),该接口会将所指定程序中的全部持久性变量(persistable==True)过滤出来,并将它们保存到 dirname 指定的文件夹或 filename 指定的文件中。

    API Reference 请参考 save_persistables。

    • fluid.io.save_inference_model:请参考 预测引擎。

    模型加载API介绍

    • fluid.io.load_vars:通过执行器(Executor)加载指定目录中的变量。加载变量的方式有两种:

    1)通过接口中的 vars 指定需要加载的变量列表。

    2)将一个已经存在的程序(Program)赋值给接口中的 main_program,然后这个程序中的所有变量都将被加载。

    第一种加载方式的优先级要高于第二种。

    API Reference 请参考 load_vars。

    • fluid.io.load_params:该接口从 main_program 指定的程序中过滤出全部参数(Parameter),并试图从 dirname 指定的文件夹或 filename 指定的文件中加载这些参数。

    API Reference 请参考 load_params。

    • fluid.io.load_persistables:该接口从 main_program 指定的程序中过滤出全部持久性变量(persistable==True),并试图从 dirname 指定的文件夹或 filename 指定的文件中加载这些持久性变量。

    API Reference 请参考 load_persistables。

    • fluid.io.load_inference_model:请参考 预测引擎。