deep-learning - 如何加载经过训练的 MXnet 模型？

Question

我已经使用 MXnet 训练了一个网络，但不确定如何保存和加载参数供以后使用。首先我定义并训练网络:

    dataIn = mx.sym.var('data')
    fc1 = mx.symbol.FullyConnected(data=dataIn, num_hidden=100)
    act1 = mx.sym.Activation(data=fc1, act_type="relu")
    fc2 = mx.symbol.FullyConnected(data=act1, num_hidden=50)
    act2 = mx.sym.Activation(data=fc2, act_type="relu")
    fc3 = mx.symbol.FullyConnected(data=act2, num_hidden=25)
    act3 = mx.sym.Activation(data=fc3, act_type="relu")
    fc4 = mx.symbol.FullyConnected(data=act3, num_hidden=10)
    act4 = mx.sym.Activation(data=fc4, act_type="relu")
    fc5 = mx.symbol.FullyConnected(data=act4, num_hidden=2)
    lenet = mx.sym.SoftmaxOutput(data=fc5, name='softmax',normalization = 'batch')


# create iterator around training and validation data
train_iter = mx.io.NDArrayIter(data=data[:ntrain], label = phen[:ntrain],batch_size=batch_size, shuffle=True)
val_iter = mx.io.NDArrayIter(data=data[ntrain:], label=phen[ntrain:], batch_size=batch_size)

# create a trainable module on GPU 0
lenet_model = mx.mod.Module(symbol=lenet, context=mx.gpu())
# train with the same
lenet_model.fit(train_iter,
                eval_data=val_iter,
                optimizer='adam',
                optimizer_params={'learning_rate':0.00001},
                eval_metric='f1',
                batch_end_callback = mx.callback.Speedometer(batch_size, 10),
                num_epoch=1000)

这个模型在测试集上表现不错，所以我想保留它。接下来，我保存网络布局和参数化:

lenet.save('./testNet_symbol.mxnet')
lenet_model.save_params('./testNet_module.mxnet')

我能找到的所有关于加载网络的文档似乎都在训练例程中实现了保存功能，以在每个时期结束时保存网络参数。我在训练过程中没有设置这些检查点其他方法使用mx.model.FeedForward类，这似乎不太合适。还有其他方法从 .json 文件加载网络，由于我的保存功能，我没有该文件。训练完成后如何保存/加载网络？

Answer 1

你只需要这样做来保存:

lenet_model.save_checkpoint('lenet', num_epoch, save_optimizer_states=True)

如果状态标志设置为 True，这将创建 3 个文件，否则 2 个文件:

.params(权重)，.json(符号)，.状态

和this加载:

lenet_model = mx.mod.Module.load(prefix,epoch)
lenet_model.bind(for_training=False, data_shapes=[('data', (1,3,224,224))])