save

paddle.jit.save ( layer, path, input_spec=None, \*configs* ) [源代码]

将输入的 Layer 存储为 paddle.jit.TranslatedLayer 格式的模型，载入后可用于预测推理或者fine-tune训练。

该接口会将输入 Layer 转写后的模型结构 Program 和所有必要的持久参数变量存储至输入路径 path 。

path 是存储目标的前缀，存储的模型结构 Program 文件的后缀为 .pdmodel ，存储的持久参数变量文件的后缀为 .pdiparams ，同时这里也会将一些变量描述信息存储至文件，文件后缀为 .pdiparams.info ，这些额外的信息将在fine-tune训练中使用。

存储的模型能够被以下API完整地载入使用：

  • paddle.jit.load

  • paddle.static.load_inference_model

  • 其他预测库API

参数

  • layer (Layer) - 需要存储的 Layer 对象。

  • path (str) - 存储模型的路径前缀。格式为 dirname/file_prefix 或者 file_prefix 。

  • input_spec (list[InputSpec|Tensor], 可选) - 描述存储模型forward方法的输入，可以通过InputSpec或者示例Tensor进行描述。如果为 None ，所有原 Layer forward方法的输入变量将都会被配置为存储模型的输入变量。默认为 None。

  • **configs (dict, 可选) - 其他用于兼容的存储配置选项。这些选项将来可能被移除，如果不是必须使用，不推荐使用这些配置选项。默认为 None。目前支持以下配置选项：(1) output_spec (list[Tensor]) - 选择存储模型的输出目标。默认情况下，所有原 Layer forward方法的返回值均会作为存储模型的输出。如果传入的 output_spec 列表不是所有的输出变量，存储的模型将会根据 output_spec 所包含的结果被裁剪。

返回

无

代码示例

  1. import numpy as np
  2. import paddle
  3. import paddle.nn as nn
  4. import paddle.optimizer as opt
  6. BATCH_SIZE = 16
  7. BATCH_NUM = 4
  8. EPOCH_NUM = 4
  10. IMAGE_SIZE = 784
  11. CLASS_NUM = 10
  13. # define a random dataset
  14. class RandomDataset(paddle.io.Dataset):
  15.     def __init__(self, num_samples):
  16.         self.num_samples = num_samples
  18.     def __getitem__(self, idx):
  19.         image = np.random.random([IMAGE_SIZE]).astype('float32')
  20.         label = np.random.randint(0, CLASS_NUM - 1, (1, )).astype('int64')
  21.         return image, label
  23.     def __len__(self):
  24.         return self.num_samples
  26. class LinearNet(nn.Layer):
  27.     def __init__(self):
  28.         super(LinearNet, self).__init__()
  29.         self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)
  31.     @paddle.jit.to_static
  32.     def forward(self, x):
  33.         return self._linear(x)
  35. def train(layer, loader, loss_fn, opt):
  36.     for epoch_id in range(EPOCH_NUM):
  37.         for batch_id, (image, label) in enumerate(loader()):
  38.             out = layer(image)
  39.             loss = loss_fn(out, label)
  40.             loss.backward()
  41.             opt.step()
  42.             opt.clear_grad()
  43.             print("Epoch {} batch {}: loss = {}".format(
  44.                 epoch_id, batch_id, np.mean(loss.numpy())))
  46. # 1. train & save model.
  48. # create network
  49. layer = LinearNet()
  50. loss_fn = nn.CrossEntropyLoss()
  51. adam = opt.Adam(learning_rate=0.001, parameters=layer.parameters())
  53. # create data loader
  54. dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
  55. loader = paddle.io.DataLoader(dataset,
  56.     batch_size=BATCH_SIZE,
  57.     shuffle=True,
  58.     drop_last=True,
  59.     num_workers=2)
  61. # train
  62. train(layer, loader, loss_fn, adam)
  64. # save
  65. path = "example_model/linear"
  66. paddle.jit.save(layer, path)