fluid.io

class loadinference_model(_dirname, executor, model_filename=None, params_filename=None, pserver_endpoints=None)

从指定目录中加载预测模型model(inference model)

参数:: - dirname (str) – model的路径
- executor (Executor) – 运行 inference model的 executor
- model_filename (str|None) – 存储着预测 Program 的文件名称。如果设置为None，将使用默认的文件名为： model
- params_filename (str|None) – 加载所有相关参数的文件名称。如果设置为None，则参数将保存在单独的文件中。
- pserver_endpoints (list|None) – 只有在分布式预测时需要用到。当在训练时使用分布式 look up table , 需要这个参数. 该参数是 pserver endpoints 的列表

返回: 这个函数的返回有三个元素的元组(Program，feed_target_names, fetch_targets)。Program 是一个 Program ，它是预测 Program。 feed_target_names 是一个str列表，它包含需要在预测 Program 中提供数据的变量的名称。fetch_targets 是一个 Variable 列表，从中我们可以得到推断结果。

返回类型：元组(tuple)

抛出异常：: - ValueError – 如果 dirname 非法

load_params

Source

class paddle.fluid.io.loadparams(_executor, dirname, main_program=None, filename=None)

该函数过滤掉给定 main_program 中所有参数，然后将它们加载保存在到目录 dirname 中或文件中的参数。

dirname 用于指定保存变量的目录。如果变量保存在指定目录的若干文件中，设置文件名 None; 如果所有变量保存在一个文件中，请使用filename来指定它

注意:有些变量不是参数，但它们对于训练是必要的。因此，您不能仅通过 save_params() 和 load_params() 保存并之后继续训练。可以使用 save_persistables() 和 load_persistables() 代替这两个函数

参数:

executor (Executor) – 加载变量的 executor
dirname (str) – 目录路径
main_program (Program|None) – 需要加载变量的 Program。如果为 None，则使用 default_main_Program 。默认值: None
filename (str|None) – 保存变量的文件。如果想分开保存变量，设置 filename=None. 默认值: None

返回: None

代码示例

exe = fluid.Executor(fluid.CPUPlace())
param_path = "./my_paddle_model"
prog = fluid.default_main_program()
fluid.io.load_params(executor=exe, dirname=param_path,
                    main_program=None)

English

class paddle.fluid.io.loadpersistables(_executor, dirname, main_program=None, filename=None)

该函数过滤掉给定 main_program 中所有参数，然后将它们加载保存在到目录 dirname 中或文件中的参数。

dirname 用于指定保存变量的目录。如果变量保存在指定目录的若干文件中，设置文件名 None; 如果所有变量保存在一个文件中，请使用filename来指定它

参数:

executor (Executor) – 加载变量的 executor
dirname (str) – 目录路径
main_program (Program|None) – 需要加载变量的 Program。如果为 None，则使用 default_main_Program 。默认值: None
filename (str|None) – 保存变量的文件。如果想分开保存变量，设置 filename=None. 默认值: None

返回: None

代码示例

load_vars

English

class paddle.fluid.io.loadvars(_executor, dirname, main_program=None, vars=None, predicate=None, filename=None)

从指定目录加载变量。

有两种方法来加载变量:方法一，vars 为变量的列表。方法二，将已存在的 Program 赋值给 main_program ，然后将加载 Program 中的所有变量。第一种方法优先级更高。如果指定了 vars，那么忽略 main_program 和 predicate 。

dirname 用于指定加载变量的目录。如果变量保存在指定目录的若干文件中，设置文件名 None; 如果所有变量保存在一个文件中，请使用 filename 来指定它

参数:

executor (Executor) – 加载变量的 executor
dirname (str) – 目录路径
main_program (Program|None) – 需要加载变量的 Program。如果为 None，则使用 default_main_Program 。默认值: None
vars (list[Variable]|None) – 要加载的变量的列表。优先级高于main_program。默认值: None
predicate (function|None) – 如果不等于None，当指定main_program，那么只有 predicate(variable)==True 时，main_program中的变量会被加载。
filename (str|None) – 保存变量的文件。如果想分开保存变量，设置 filename=None. 默认值: None

抛出异常：

TypeError - 如果参数 main_program 为 None 或为一个非 Program 的实例

返回: None

代码示例

exe = fluid.Executor(fluid.CPUPlace())
param_path = "./my_paddle_model"
 
# 第一种使用方式 使用 main_program 指定变量
def name_has_fc(var):
    return res
 
prog = fluid.default_main_program()
fluid.io.load_vars(executor=exe, dirname=path, main_program=prog,
                   vars=None, predicate=name_has_fc)
#加载所有`main_program`中变量名包含 ‘fc’ 的变量
#并且此前所有变量应该保存在不同文件中
 
 
#用法2：使用 `vars` 列表来指明变量
var_list = [var_a, var_b, var_c]
fluid.io.load_vars(executor=exe, dirname=path, vars=var_list,
                   filename="vars_file")
# 加载 var_a ， var_b ， var_c .它们此前应被保存在同一文件中
# 文件名为 'var_file' ，路径为 "./my_paddle_model".

Source

class paddle.fluid.io.saveinference_model(_dirname, feeded_var_names, target_vars, executor, main_program=None, model_filename=None, params_filename=None, export_for_deployment=True)

修改指定的 main_program ，构建一个专门用预测的 Program，然后 executor 把它和所有相关参数保存到 dirname 中

dirname 用于指定保存变量的目录。如果变量保存在指定目录的若干文件中，设置文件名 None; 如果所有变量保存在一个文件中，请使用filename来指定它

参数:

dirname (str) – 保存预测model的路径
feeded_var_names (list[str]) – 预测（inference）需要 feed 的数据
target_vars (list[Variable]) – 保存预测（inference）结果的 Variables
executor (Executor) – executor 保存 inference model
main_program (Program|None) – 使用 main_program ，构建一个专门用于预测的 Program （inference model）. 如果为None, 使用 default main program 默认: None.
model_filename (str|None) – 保存预测Program 的文件名称。如果设置为None，将使用默认的文件名为： model
params_filename (str|None) – 保存所有相关参数的文件名称。如果设置为None，则参数将保存在单独的文件中。
export_for_deployment (bool) – 如果为真，Program将被修改为只支持直接预测部署的Program。否则，将存储更多的信息，方便优化和再训练。目前只支持True。

返回: None

抛出异常：: ValueError – 如果 feed_var_names 不是字符串列表
ValueError – 如果 target_vars 不是 Variable 列表

代码示例

save_params

Source

class saveparams(_executor, dirname, main_program=None, filename=None)

该函数过滤掉给定 main_program 中所有参数，然后将它们保存到目录 dirname 中或文件中。

dirname 用于指定保存变量的目录。如果想将变量保存到指定目录的若干文件中，设置文件名 None; 如果想将所有变量保存在一个文件中，请使用filename来指定它

参数:

executor (Executor) – 保存变量的 executor
dirname (str) – 目录路径
main_program (Program|None) – 需要保存变量的 Program。如果为 None，则使用 default_main_Program 。默认值: None
vars (list[Variable]|None) – 要保存的所有变量的列表。优先级高于main_program。默认值: None
filename (str|None) – 保存变量的文件。如果想分开保存变量，设置 filename=None. 默认值: None

返回: None

代码示例

exe = fluid.Executor(fluid.CPUPlace())
param_path = "./my_paddle_model"
prog = fluid.default_main_program()
                     main_program=None)

English

class paddle.fluid.io.savepersistables(_executor, dirname, main_program=None, filename=None)

该函数过滤掉给定 main_program 中所有参数，然后将它们保存到目录 dirname 中或文件中。

dirname 用于指定保存变量的目录。如果想将变量保存到指定目录的若干文件中，设置 filename=None ; 如果想将所有变量保存在一个文件中，请使用 filename 来指定它

参数:

executor (Executor) – 保存变量的 executor
dirname (str) – 目录路径
main_program (Program|None) – 需要保存变量的 Program。如果为 None，则使用 default_main_Program 。默认值: None
predicate (function|None) – 如果不等于None，当指定main_program，那么只有 predicate(variable)==True 时，main_program中的变量
vars (list[Variable]|None) – 要保存的所有变量的列表。优先级高于main_program。默认值: None
filename (str|None) – 保存变量的文件。如果想分开保存变量，设置 filename=None. 默认值: None

返回: None

代码示例

save_vars

English

class paddle.fluid.io.savevars(_executor, dirname, main_program=None, vars=None, predicate=None, filename=None)

通过 Executor ,此函数将变量保存到指定目录下。

有两种方法可以指定要保存的变量：第一种方法，在列表中列出变量并将其传给 vars 参数。第二种方法是，将现有程序分配给 main_program ，它会保存program中的所有变量。第一种方式具有更高的优先级。换句话说，如果分配了变量，则将忽略 main_program 和 predicate 。

dirname 用于指定保存变量的文件夹。如果您希望将变量分别保存在文件夹目录的多个单独文件中，请设置 filename 为无；如果您希望将所有变量保存在单个文件中，请使用 filename 指定它。

参数：

executor （Executor）- 为保存变量而运行的执行器。
dirname （str）- 目录路径。
main_program （Program | None）- 保存变量的程序。如果为None，将自动使用默认主程序。默认值：None。
vars （list [Variable] | None）- 包含要保存的所有变量的列表。它的优先级高于 main_program 。默认值：None。
predicate （function | None）- 如果它不是None，则只保存 main_program 中使 (predicate(variable)== True) 的变量。它仅在我们使用指定变量时才起作用（换句话说，vars为None）。默认值：None。
filename （str | None）- 保存所有变量的文件。如果您希望单独保存变量，请将其设置为None。默认值：None。

返回： None

抛出异常：: TypeError - 如果main_program不是Program的实例，也不是None。

代码示例

exe = fluid.Executor(fluid.CPUPlace())
param_path = "./my_paddle_model"
 
# 第一种用法:用main_program来指定变量。
def name_has_fc(var):
    res = "fc" in var.name
    return res
 
prog = fluid.default_main_program()
fluid.io.save_vars(executor=exe, dirname=path, main_program=prog,
                   vars=None, predicate = name_has_fc)
# 将main_program中名中包含“fc”的的所有变量保存。
# 变量将分开保存。
 
 
# 第二种用法: 用vars来指定变量。
var_list = [var_a, var_b, var_c]
fluid.io.save_vars(executor=exe, dirname=path, vars=var_list,
                   filename="vars_file")