python - 中断后如何恢复训练 pl.Trainer？

Question

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

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)

然后我开始使用以下方法进行训练：

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, 
                  max_epochs=500,gpus=1,
                  logger=logger)

但是一次又一次地从头开始训练（从第 0 个 epoch 和巨大的错误开始）。我错过了什么？

Answer 1

您不仅应该保存模型状态，还应该保存优化器状态和起始 epoch 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恢复训练：

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):
   ...
   ...