ディープラーニングでよく使うコード

目的

個人的にディープラーニングの学習時によく使うコードを備忘録として記載

Pytorch

モデルの保存

import torch
# "model"はモデルのインスタンス名、その後の引数で保存用パスを記載する
torch.save(model.state_dict(), 'xxx/model.pt')

保存したモデルの読み込み

import torch
from torch.utils.data import DataLoader
import torchvision.transforms as T

# モデルのインスタンス化（保存時と同じモデル、引数の指定が必要）
model = Model()
# モデルの読み込み
model.load_state_dict(torch.load('xxx/model.pt'))
# 評価モードにする
model.eval()

# 読み込んだモデルで予測する為のデータを用意
## 以下はCIFAR10での例だが、実際は学習時と同形式のデータで用意する
transforms = T.Compose((
    T.ToTensor(),
    T.Normalize(mean=channel_mean, std=channel_std),
    ))

dataset = torchvision.datasets.CIFAR10(
        root='data', train=False, download=True,
        transform=transforms)

loader = DataLoader(dataset, batch_size=32)

'''
1バッチサイズ分のみ予測
'''
# バッチサイズ分のデータを取り出し
tmp = iter(loader)
x, y = next(tmp) # x：予測用データ、y：正解ラベル

# 予測値の計算
## (1) PytorchのLinear関数使った場合（基本（2）を使えば良い）
def get_device(self):
    return self.linear.weight.device # self.linearはクラスで指定したLinear関数

x = x.to(model.get_device()) # モデルのデバイスを指定
pred = model(x)

## (2) 単純にデバイス指定する場合
x = x.to("cuda") # GPUの場合
pred = model(x)

Google Colab

Googleドライブをマウント

from google.colab import drive
drive.mount('/content/drive')

デバイス設定の確認

Google Colabで割り当てられているGPUの種類を見るときに使う

# TensorFlow経由でデバイス設定の確認
from tensorflow.python.client import device_lib
device_lib.list_local_devices()

モジュールのリロード

モジュール内のファイルを修正して、再起動せずに反映させる方法
（これやっても反映されないことはちょくちょくある。そういうときは諦めてランタイムの再起動をする）

# devディレクトリ直下にあるutilsというモジュールを対象とした場合
base_dir = './drive/MyDrive/dev/'

import sys
sys.path.append(base_dir)

# インポート
import utils

# リロード
import importlib
importlib.reload(utils)