save_params

paddle.fluid.io. save_params ( executor, dirname, main_program=None, filename=None ) [源代码]

该OP从 main_program 中取出所有参数，然后将它们保存到 dirname 目录下或名为 filename 的文件中。

dirname 用于指定保存参数的目标路径。若想将参数保存到多个独立文件中，设置 filename=None ； 若想将所有参数保存在单个文件中，请设置 filename 来指定该文件的名称。

注意：

  • 有些变量不是参数，如学习率，全局训练步数（global step）等，但它们对于训练却是必要的。因此，调用 save_params 和 load_params 来保存和加载参数对于断点训练是不够的，这种情况下可以使用 save_persistables 和 load_persistables 来保存和加载训练过程中的检查点（checkpoint）。

  • 如果您想要储存您的模型用于预测，请使用 cn_api_fluid_io_save_inference_model 。更多细节请参考 模型保存与加载

参数:

  • executor (Executor) – 用于保存参数的 executor ，详见 执行引擎 。

  • dirname (str) – 指定保存参数的文件目录。

  • main_program (Program，可选) – 需要保存参数的Program（ Program 含义详见 基础概念 ）。如果为None，则使用default_main_Program 。默认值为None。

  • filename (str，可选) – 保存参数的文件名称。若需要将参数保存到多个独立的文件中，请设置 filename=None 。默认值为None。

返回: 无

代码示例

  1. import paddle.fluid as fluid
  3. params_path = "./my_paddle_model"
  4. image = fluid.layers.data(name='img', shape=[1, 28, 28], dtype='float32')
  5. label = fluid.layers.data(name='label', shape=[1], dtype='int64')
  6. feeder = fluid.DataFeeder(feed_list=[image, label], place=fluid.CPUPlace())
  7. predict = fluid.layers.fc(input=image, size=10, act='softmax')
  9. loss = fluid.layers.cross_entropy(input=predict, label=label)
  10. avg_loss = fluid.layers.mean(loss)
  12. exe = fluid.Executor(fluid.CPUPlace())
  13. exe.run(fluid.default_startup_program())
  14. fluid.io.save_params(executor=exe, dirname=params_path)
  15. # 网络中fc层的参数weight和bias将会分别存储在"./my_paddle_model"路径下。