网站建设销售前景,山西大型网络营销设计,网页设计教程免费下载,邯郸建网站关于Checkpoints的内容在教程2里已经有了详细的说明#xff0c;在本节#xff0c;需要用它来利用模型进行预测 加载checkpoint并预测
使用模型进行预测的最简单方法是使用LightningModule中的load_from_checkpoint加载权重。
model LitModel.load_from_checkpoint(b… 关于Checkpoints的内容在教程2里已经有了详细的说明在本节需要用它来利用模型进行预测 加载checkpoint并预测
使用模型进行预测的最简单方法是使用LightningModule中的load_from_checkpoint加载权重。
model LitModel.load_from_checkpoint(best_model.ckpt)
model.eval()
x torch.randn(1, 64)with torch.no_grad():y_hat model(x)predict_step方法
加载检查点并进行预测仍然会在预测阶段的epoch留下许多boilerplateLightningModule中的预测步骤删除了这个boilerplate 。
class MyModel(LightningModule):def predict_step(self, batch, batch_idx, dataloader_idx0):return self(batch)并将任何dataloader传递给Lightning Trainer
data_loader DataLoader(...)
model MyModel()
trainer Trainer()
predictions trainer.predict(model, data_loader)预测逻辑
当需要向数据添加复杂的预处理或后处理时使用predict_step方法。例如这里我们使用Monte Carlo Dropout 进行预测
class LitMCdropoutModel(pl.LightningModule):def __init__(self, model, mc_iteration):super().__init__()self.model modelself.dropout nn.Dropout()self.mc_iteration mc_iterationdef predict_step(self, batch, batch_idx):# enable Monte Carlo Dropoutself.dropout.train()# take average of self.mc_iteration iterationspred [self.dropout(self.model(x)).unsqueeze(0) for _ in range(self.mc_iteration)]pred torch.vstack(pred).mean(dim0)return pred启用分布式推理
通过使用Lightning中的predict_step可以使用BasePredictionWriter进行分布式推理。
import torch
from lightning.pytorch.callbacks import BasePredictionWriterclass CustomWriter(BasePredictionWriter):def __init__(self, output_dir, write_interval):super().__init__(write_interval)self.output_dir output_dirdef write_on_epoch_end(self, trainer, pl_module, predictions, batch_indices):# 在output_dir中创建N (num进程)个文件每个文件都包含对其各自rank的预测torch.save(predictions, os.path.join(self.output_dir, fpredictions_{trainer.global_rank}.pt))# 可以保存batch_indices以便从预测数据中获取有关数据索引的信息torch.save(batch_indices, os.path.join(self.output_dir, fbatch_indices_{trainer.global_rank}.pt))# 可以设置writer_intervalbatch
pred_writer CustomWriter(output_dirpred_path, write_intervalepoch)
trainer Trainer(acceleratorgpu, strategyddp, devices8, callbacks[pred_writer])
model BoringModel()
trainer.predict(model, return_predictionsFalse)也可以加载保存的checkpoint把它当作一个普通的torch.nn.Module来使用。可以提取所有的torch.nn.Module并在训练后使用LightningModule保存的checkpoint加载权重。建议从LightningModule的init和forward方法中复制明确的实现。
class Encoder(nn.Module):...class Decoder(nn.Module):...class AutoEncoderProd(nn.Module):def __init__(self):super().__init__()self.encoder Encoder()self.decoder Decoder()def forward(self, x):return self.encoder(x)class AutoEncoderSystem(LightningModule):def __init__(self):super().__init__()self.auto_encoder AutoEncoderProd()def forward(self, x):return self.auto_encoder.encoder(x)def training_step(self, batch, batch_idx):x, y batchy_hat self.auto_encoder.encoder(x)y_hat self.auto_encoder.decoder(y_hat)loss ...return loss# 训练
trainer Trainer(devices2, acceleratorgpu, strategyddp)
model AutoEncoderSystem()
trainer.fit(model, train_dataloader, val_dataloader)
trainer.save_checkpoint(best_model.ckpt)# 创建PyTorch模型并加载checkpoint权重
model AutoEncoderProd()
checkpoint torch.load(best_model.ckpt)
hyper_parameters checkpoint[hyper_parameters]# 恢复超参数
model AutoEncoderProd(**hyper_parameters)model_weights checkpoint[state_dict]# 通过 dropping auto_encoder. 更新key值
for key in list(model_weights):model_weights[key.replace(auto_encoder., )] model_weights.pop(key)model.load_state_dict(model_weights)
model.eval()
x torch.randn(1, 64)with torch.no_grad():y_hat model(x)
