模型保存与加载

模型的保存与加载主要涉及到如下八个API： fluid.io.save_vars、fluid.io.save_params、fluid.io.save_persistables、fluid.io.save_inference_model、fluid.io.load_vars、fluid.io.load_params、fluid.io.load_persistables 和 fluid.io.load_inference_model。

变量、持久性变量和参数

在 Paddle 中，算子(Operator)的每一个输入和输出都是一个变量（Variable），而参数（Parameter）是变量（Variable）的子类。持久性变量（Persistables）是一种在每次迭代结束后均不会被删除的变量。参数是一种持久性变量，其在每次迭代后都会被优化器（优化器）更新。训练神经网络本质上就是在更新参数。

模型保存API介绍

• fluid.io.save_vars：通过执行器（执行引擎）保存变量到指定的目录中。保存变量的方式有两种：

  1）通过接口中的 vars 指定需要保存的变量列表。

  2）将一个已经存在的程序（Program）赋值给接口中的 main_program，然后这个程序中的所有变量都将被保存下来。

  第一种保存方式的优先级要高于第二种。

  API Reference 请参考 save_vars。

• fluid.io.save_params：通过接口中的 main_program 指定好程序（Program），该接口会将所指定程序中的全部参数（Parameter）过滤出来，并将它们保存到 dirname 指定的文件夹或 filename 指定的文件中。

  API Reference 请参考 save_params。

• fluid.io.save_persistables：通过接口中的 main_program 指定好程序（Program），该接口会将所指定程序中的全部持久性变量（persistable==True）过滤出来，并将它们保存到 dirname 指定的文件夹或 filename 指定的文件中。

  API Reference 请参考 save_persistables。

• fluid.io.save_inference_model：请参考 预测引擎。

模型加载API介绍

• fluid.io.load_vars：通过执行器（Executor）加载指定目录中的变量。加载变量的方式有两种：

  1）通过接口中的 vars 指定需要加载的变量列表。

  2）将一个已经存在的程序（Program）赋值给接口中的 main_program，然后这个程序中的所有变量都将被加载。

  第一种加载方式的优先级要高于第二种。

  API Reference 请参考 load_vars。

• fluid.io.load_params：该接口从 main_program 指定的程序中过滤出全部参数（Parameter），并试图从 dirname 指定的文件夹或 filename 指定的文件中加载这些参数。

  API Reference 请参考 load_params。

• fluid.io.load_persistables：该接口从 main_program 指定的程序中过滤出全部持久性变量（persistable==True），并试图从 dirname 指定的文件夹或 filename 指定的文件中加载这些持久性变量。

  API Reference 请参考 load_persistables。

• fluid.io.load_inference_model：请参考 预测引擎。