【NLP学习其五】pytorch模型保存与载入的注意事项（记问题No module named 'model'）

这是一次由于路径问题（找不到模型）引出模型保存问题的记录

最近，我试着把使用GPU训练完成的模型部署至预发布环境时出现了一个错误，以下是log节选

unpickler.load() ModuleNotFoundError: No module named 'model'

问题分析

当时我很奇怪，因为这个模型在本地环境测试已经通过了

从错误本身来看，程序是没有找到我们的模型

那么这里可能是路径设置有误

这是训练结束用于本地测试的目录树

解决办法

我添加了一个与src并行的包test用于复现问题

到这里，问题很明确了，我在test中使用src的模型，需要指定src的路径（也就是src的绝对路径）

于是我将路径替换为绝对路径（如下）

然后运行程序依旧报出相同的错误（我c了都）

问题分析（再次）

经过高强度互联网搜索，查到GitHub上有人发现相同错误（https://github.com/pytorch/pytorch/issues/18325）

问题指向pytorch的模型保存函数
官方tutorials：https://pytorch.org/tutorials/beginner/saving_loading_models.html

众所周知（并不），pytorch提供两种模型保存的方式，一种是仅保存模型训练时产生的参数（当这个参数满足你的需求时），另一种则比较简单粗暴，直接把所有东西保存（包括一切涉及模型的数据）

说的具体一点就是下面这样

#方法一：
torch.save(model.state_dict(), model_name) #保存模型，但只是把训练产生的模型参数存入一个字典

#方法二：
torch.save(model, model_name) #保存模型，提供要保存的模型和模型的名字就可以将其整个保存

到这里你应该发现问题的关键了

我是用方法二来保存模型的，而在这个过程中，函数会保存一切，包括训练时模型所在文件夹的位置关系，因此当我想要在别的地方使用这个模型时，由于当前路径与模型保存的路径不同，程序自然无法找到模型进而报错。

这是我在训练完之后立刻在本地测试模型不能察觉的问题，因为那时候路径还与保存的路径一致。

解决办法

知道是保存的锅就好办了，修改保存方式重新训练呗

在你原来保存模型的地方用方法一的代码替换即可

由于保存方式的变化，我们在载入模型时的方法也要做出相应的变化

#载入模型（方法二）
mymodel_path = "G:\\src\\models\\test"
model = torch.load(mymodel_path)

#载入模型（方法一）
mymodel_path = "G:\\src\\models\\test"
m_state_dict = torch.load(mymodel_path)
model = BiLSTM_CRF(                           #仅更新模型的参数
    vocab_size=len(word_to_id),
    tag_to_ix=tag_to_id,
    embedding_dim=parameters["word_dim"],
    hidden_dim=parameters["word_lstm_dim"],
    use_gpu=use_gpu,
    char_to_ix=char_to_id,
    pre_word_embeds=word_embeds,
    use_crf=parameters["crf"],
    char_mode=parameters["char_mode"],
)
model.load_state_dict(m_state_dict)

这次程序可以正常运行

注：pytorch的官方指导建议使用字典的形式保存模型，从实践来看也确实如此，只保存模型参数让模型的接续训练成为可能（这个下次再谈）