模型保存常见问题¶

问题：静态图的save接口与save_inference_model接口存储的结果有什么区别？¶

• 答复：主要差别在于保存结果的应用场景：

  1. save接口（2.0的paddle.static.save或者1.8的fluid.io.save）

     该接口用于保存训练过程中的模型和参数，一般包括*.pdmodel，*.pdparams，*.pdopt三个文件。其中*.pdmodel是训练使用的完整模型program描述，区别于推理模型，训练模型program包含完整的网络，包括前向网络，反向网络和优化器，而推理模型program仅包含前向网络，*.pdparams是训练网络的参数dict，key为变量名，value为Tensor array数值，*.pdopt是训练优化器的参数，结构与*.pdparams一致。

  2. save_inference_model接口（2.0的paddle.static.save_inference_model或者1.8的fluid.io.save_inference_model）

     该接口用于保存推理模型和参数，2.0的paddle.static.save_inference_model保存结果为*.pdmodel和*.pdiparams两个文件，其中*.pdmodel为推理使用的模型program描述，*.pdiparams为推理用的参数，这里存储格式与*.pdparams不同（注意两者后缀差个i），*.pdiparams为二进制Tensor存储格式，不含变量名。1.8的fluid.io.save_inference_model默认保存结果为__model__文件，和以参数名为文件名的多个分散参数文件，格式与2.0一致。

  3. 关于更多2.0动态图模型保存和加载的介绍可以参考教程：模型存储与载入

问题：增量训练中，如何保存模型和恢复训练？¶

• 答复：在增量训练过程中，不仅需要保存模型的参数，也需要保存优化器的参数。

具体地，在2.0版本中需要使用Layer和Optimizer的state_dict和set_state_dict方法配合paddle.save/load使用。简要示例如下：

import paddle

emb = paddle.nn.Embedding(10, 10)
layer_state_dict = emb.state_dict()
paddle.save(layer_state_dict, "emb.pdparams")

scheduler = paddle.optimizer.lr.NoamDecay(
    d_model=0.01, warmup_steps=100, verbose=True)
adam = paddle.optimizer.Adam(
    learning_rate=scheduler,
    parameters=emb.parameters())
opt_state_dict = adam.state_dict()
paddle.save(opt_state_dict, "adam.pdopt")

load_layer_state_dict = paddle.load("emb.pdparams")
load_opt_state_dict = paddle.load("adam.pdopt")

emb.set_state_dict(para_state_dict)
adam.set_state_dict(opti_state_dict)

问题：paddle.load可以加载哪些API产生的结果呢？¶

• 答复：

  为了更高效地使用paddle存储的模型参数，paddle.load支持从除paddle.save之外的其他save相关API的存储结果中载入state_dict，但是在不同场景中，参数path的形式有所不同：

  1. 从paddle.static.save或者paddle.Model().save(training=True)的保存结果载入：path需要是完整的文件名，例如model.pdparams或者model.opt；

  2. 从paddle.jit.save或者paddle.static.save_inference_model或者paddle.Model().save(training=False)的保存结果载入：path需要是路径前缀， 例如model/mnist，paddle.load会从mnist.pdmodel和mnist.pdiparams中解析state_dict的信息并返回。

  3. 从paddle 1.x APIpaddle.fluid.io.save_inference_model或者paddle.fluid.io.save_params/save_persistables的保存结果载入：path需要是目录，例如model，此处model是一个文件夹路径。

  需要注意的是，如果从paddle.static.save或者paddle.static.save_inference_model等静态图API的存储结果中载入state_dict，动态图模式下参数的结构性变量名将无法被恢复。在将载入的state_dict配置到当前Layer中时，需要配置Layer.set_state_dict的参数use_structured_name=False。

问题：paddle.save 是如何保存state_dict，Layer对象，Tensor以及包含Tensor的嵌套list、tuple、dict的呢？¶

• 答复：

  1. 对于state_dict保存方式与paddle2.0完全相同，我们将Tensor转化为numpy.ndarray保存。

  2. 对于其他形式的包含Tensor的对象（Layer对象，单个Tensor以及包含Tensor的嵌套list、tuple、dict），在动态图中，将Tensor转化为tuple(Tensor.name, Tensor.numpy());在静态图中，将Tensor直接转化为numpy.ndarray。之所以这样做，是因为当在静态图中使用动态保存的模型时，有时需要Tensor的名字因此将名字保存下来，同时，在load时区分这个numpy.ndarray是由Tenosr转化而来还是本来就是numpy.ndarray；保存静态图的Tensor时，通常通过Variable.get_value得到Tensor再使用paddle.save保存Tensor，此时，Variable是有名字的，这个Tensor是没有名字的，因此将静态图Tensor直接转化为numpy.ndarray保存。

  此处动态图Tensor和静态图Tensor是不相同的，动态图Tensor有name、stop_gradient等属性；而静态图的Tensor是比动态图Tensor轻量级的，只包含place等基本信息，不包含名字等。

问题：将Tensor转换为numpy.ndarray或者tuple(Tensor.name, Tensor.numpy())不是惟一可译编码，为什么还要做这样的转换呢？¶

• 答复：

  1. 我们希望paddle.save保存的模型能够不依赖paddle框架就能够被用户解析（pickle格式模型），这样用户可以方便的做调试，轻松的看到保存的参数的数值。其他框架的模型与paddle模型做转化也会容易很多。

  2. 我们希望保存的模型尽量小，只保留了能够满足大多场景的信息（动态图保存名字和数值，静态图只保存数值），如果需要Tensor的其他信息（例如stop_gradient），可以向被保存的对象中添加这些信息，load之后再还原这些信息。这样的转换方式可以覆盖绝大多数场景，一些特殊场景也是可以通过一些方法解决的，如下面的问题。

问题：什么情况下save与load的结果不一致呢，应该如何避免这种情况发生呢？¶

• 答复：

  以下情况会造成save与load的结果不一致:

  1. 被保存的对象包含动态图Tensor同时包含tuple(string, numpy.ndarray)；

  2. 被保存的对象包含静态图Tensor，同时包含numpy.ndarray或者tuple(string, numpy.ndarray)；

  3. 被保存的对象只包含numpy.ndarray，但是包含tuple(string, numpy.ndarray)。

  针对这些情况我们有以下建议：

  1. 被保存的对象（包括Layer对象中的ParamBase）,避免包含形如tuple(string, numpy.ndarray)的对象；

  2. 如果被保存的对象包含numpy.ndarray，尽量在load时设置return_numpy = True。

  3. 对于Layer对象，只保存参数的值和名字，如果需要其他信息（例如stop_gradient），请将手将这些信息打包成dict等，一并保存。

更多介绍请参考以下API文档：

• paddle.save

• paddle.load