save_inference_model

paddle.static.save_inference_model ( path_prefix, feed_vars, fetch_vars, executor, \*kwargs* ) [源代码]

将模型及其参数保存到指定的路径。例如，path_prefix="/path/to/modelname" ，在调用 save_inference_model(path_prefix, feed_vars, fetch_vars, executor) 之后，你可以在 “/path/to” 目录下找到两个文件，分别是 “modelname.pdmodel” 和 “modelname.pdiparams”，前者表示序列化之后的模型文件，后者表示序列化之后的参数文件。

参数:

  • path_prefix (str) – 要保存到的目录 + 模型名称（不包含后缀）。

  • feed_vars (Variable | list[Variable]) – 模型的所有输入变量。

  • fetch_vars (Variable | list[Variable]) – 模型的所有输出变量。

  • executor (Executor) – 用于保存预测模型的 executor ，详见 执行引擎 。

  • kwargs - 支持的 key 包括 ‘program’。(注意：kwargs 主要是用来做反向兼容的)。

    • program - 自定义一个 program，默认使用 default_main_program。

返回： None

抛出异常：

  • ValueError – 若 feed_vars 不是 Variable 或 Variable 类型列表，则抛出异常。

  • ValueError – 若 fetch_vars 不是 Variable 或 Variable 类型列表，则抛出异常。

代码示例

  1. import paddle
  3. paddle.enable_static()
  5. path_prefix = "./infer_model"
  7. # 用户定义网络，此处以softmax回归为例
  8. image = paddle.static.data(name='img', shape=[None, 28, 28], dtype='float32')
  9. label = paddle.static.data(name='label', shape=[None, 1], dtype='int64')
  10. predict = paddle.static.nn.fc(image, 10, activation='softmax')
  12. loss = paddle.nn.functional.cross_entropy(predict, label)
  13. avg_loss = paddle.tensor.stat.mean(loss)
  15. exe = paddle.static.Executor(paddle.CPUPlace())
  16. exe.run(paddle.static.default_startup_program())
  18. # 数据输入及训练过程
  20. # 保存预测模型。注意，用于预测的模型网络结构不需要保存标签和损失。
  21. paddle.static.save_inference_model(path_prefix, [image], [predict], exe)
  23. # 在本示例中，save_inference_mode 将根据网络的输入（image）和输出（predict）修剪模型。
  24. # 修剪得到的模型将被保存在 "./infer_model.pdmodel" 文件中，
  25. # 模型参数将被保存在 "./infer_model.pdiparams" 文件中。