save

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

将输入的 Layer 或 function 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

注解

当使用 paddle.jit.save 保存 function 时， function 不能包含参数变量。如果必须保存参数变量，请用Layer封装function，然后按照处理Layer的方式调用相应的API。

参数

  • layer (Layer|function) - 需要存储的 Layer 对象或者 function。

  • 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. # example 1: save layer
  2. import numpy as np
  3. import paddle
  4. import paddle.nn as nn
  5. import paddle.optimizer as opt
  7. BATCH_SIZE = 16
  8. BATCH_NUM = 4
  9. EPOCH_NUM = 4
  11. IMAGE_SIZE = 784
  12. CLASS_NUM = 10
  14. # define a random dataset
  15. class RandomDataset(paddle.io.Dataset):
  16.     def __init__(self, num_samples):
  17.         self.num_samples = num_samples
  19.     def __getitem__(self, idx):
  20.         image = np.random.random([IMAGE_SIZE]).astype('float32')
  21.         label = np.random.randint(0, CLASS_NUM - 1, (1, )).astype('int64')
  22.         return image, label
  24.     def __len__(self):
  25.         return self.num_samples
  27. class LinearNet(nn.Layer):
  28.     def __init__(self):
  29.         super(LinearNet, self).__init__()
  30.         self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)
  32.     @paddle.jit.to_static
  33.     def forward(self, x):
  34.         return self._linear(x)
  36. def train(layer, loader, loss_fn, opt):
  37.     for epoch_id in range(EPOCH_NUM):
  38.         for batch_id, (image, label) in enumerate(loader()):
  39.             out = layer(image)
  40.             loss = loss_fn(out, label)
  41.             loss.backward()
  42.             opt.step()
  43.             opt.clear_grad()
  44.             print("Epoch {} batch {}: loss = {}".format(
  45.                 epoch_id, batch_id, np.mean(loss.numpy())))
  47. # 1. train & save model.
  49. # create network
  50. layer = LinearNet()
  51. loss_fn = nn.CrossEntropyLoss()
  52. adam = opt.Adam(learning_rate=0.001, parameters=layer.parameters())
  54. # create data loader
  55. dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
  56. loader = paddle.io.DataLoader(dataset,
  57.     batch_size=BATCH_SIZE,
  58.     shuffle=True,
  59.     drop_last=True,
  60.     num_workers=2)
  62. # train
  63. train(layer, loader, loss_fn, adam)
  65. # save
  66. path = "example_model/linear"
  67. paddle.jit.save(layer, path)
  69. # example 2: save function
  70. import paddle
  71. from paddle.static import InputSpec
  74. def save_function():
  75.     @paddle.jit.to_static
  76.     def fun(inputs):
  77.         return paddle.tanh(inputs)
  79.     path = 'test_jit_save_load_function_1/func'
  80.     inps = paddle.rand([3, 6])
  81.     origin = fun(inps)
  83.     paddle.jit.save(fun, path)
  84.     load_func = paddle.jit.load(path)
  86.     load_result = load_func(inps)
  87.     print((load_result - origin).abs().max() < 1e-10)
  89. save_function()

使用本API的教程文档