中断后如何恢复训练 pl.Trainer？

如何解决中断后如何恢复训练 pl.Trainer？

我有 Model 和 Trainer pytorch-lightning 对象，它们初始化如下：

checkpoint_callback = ModelCheckpoint(
    filepath=os.path.join('experiments',experiment_name,'{epoch}-{avg_valid_iou:.4f}'),save_top_k=1,verbose=True,monitor='avg_valid_iou',mode='max',prefix=''
)
model = nn.DataParallel (FaultNetPL(batch_size=5)).cuda()
trainer = Trainer( checkpoint_callback=checkpoint_callback,max_epochs=500,gpus=1,logger=logger)

然后我开始使用：

trainer.fit(model)

但是训练被中断了，现在我想使用第 N 次迭代的检查点来恢复它 所以我尝试将模型和训练器初始化为：

model = FaultNetPL.load_from_checkpoint('experiments/VNET/epoch=77-avg_valid_iou=0.7604.ckpt',batch_size=5)
trainer = Trainer(resume_from_checkpoint = 'epoch=77-avg_valid_iou=0.7604.ckpt',checkpoint_callback=checkpoint_callback,logger=logger)

但是一次又一次地从头开始训练（从第 0 个纪元开始，错误巨大）。我错过了什么？

解决方法

您不仅应该保存模型状态，还应该保存优化器状态和起始时期值。例如：

state({
       'epoch': epoch + 1,'state_dict': model.module.state_dict(),'optimizer': optimizer.state_dict(),})

保存检查点后，您可以通过以下命令继续训练：

checkpoint = torch.load(state_file)
model.load_state_dict(checkpoint['state_dict'])
optimizer.load_state_dict(checkpoint['optimizer'])
start_val = checkpoint['epoch']

for epoch in range(start_val,max_val):
   ...
   ...