代码拉取完成，页面将自动刷新
我们以图像分类模型MobileNetV3_small为例，假设我们之前训练并保存好了模型（训练代码可参考示例代码），在这次训练时想加载之前训好的参数（之前训好的模型假设位于output/mobilenetv3_small/best_model），有两种实现方式：
方式一： 使用paddlex.load_model
import paddlex as pdx
model = pdx.load_model("output/mobilenetv3_small/best_model")
model.train(
num_epochs=10,
train_dataset=train_dataset,
train_batch_size=32,
eval_dataset=eval_dataset,
lr_decay_epochs=[4, 6, 8],
learning_rate=0.01,
save_dir='output/mobilenetv3_small_new',
use_vdl=True)
方式二： 指定pretrain_weights
import paddlex as pdx
model = pdx.cls.MobileNetV3_small(num_classes=num_classes)
model.train(
pretrain_weights='output/mobilenetv3_small/best_model/model.pdparams',
num_epochs=10,
train_dataset=train_dataset,
train_batch_size=32,
eval_dataset=eval_dataset,
lr_decay_epochs=[4, 6, 8],
learning_rate=0.01,
save_dir='output/mobilenetv3_small_new',
use_vdl=True)
注意：paddlex.load_model只加载模型参数但不会恢复优化器设置，如果想要恢复训练，需定义模型之后在调用train()时指定resume_checkpoint为output/mobilenetv3_small/best_model，并且将pretrain_weights设置为None。
我们以图像分类模型MobileNetV3_small为例，假设我们之前训练并保存好了模型（训练代码可参考示例代码），在这次想加载之前训好的参数（之前训好的模型假设位于output/mobilenetv3_small/best_model）重新评估模型在验证集上的精度，示例代码如下：
import paddlex as pdx
from paddlex import transforms as T
eval_transforms = T.Compose([
T.ResizeByShort(short_size=256), T.CenterCrop(crop_size=224), T.Normalize()
])
eval_dataset = pdx.datasets.ImageNet(
data_dir='vegetables_cls',
file_list='vegetables_cls/val_list.txt',
label_list='vegetables_cls/labels.txt',
transforms=eval_transforms)
model = pdx.load_model("output/mobilenetv3_small/best_model")
res = model.evaluate(eval_dataset, batch_size=2)
print(res)
evaluate参数和返回值格式可参考evaluate
模型剪裁时，先使用paddlex.load_moel加载模型，而后使用analyze_sensitivity、prune和train三个API完成剪裁：
model = pdx.load_model('output/mobilenet_v2/best_model')
model.analyze_sensitivity(
dataset=eval_dataset, save_dir='output/mobilenet_v2/prune')
model.prune(pruned_flops=.2, save_dir=None)
model.train(
num_epochs=10,
train_dataset=train_dataset,
train_batch_size=32,
eval_dataset=eval_dataset,
lr_decay_epochs=[4, 6, 8],
learning_rate=0.025,
pretrain_weights=None,
save_dir='output/mobilenet_v2/prune',
use_vdl=True)
具体的代码请参考模型剪裁示例代码
模型量化时，先使用paddlex.load_moel加载模型，而后使用quant_aware_train完成量化：
model = pdx.load_model('output/mobilenet_v2/best_model')
model.quant_aware_train(
num_epochs=5,
train_dataset=train_dataset,
train_batch_size=32,
eval_dataset=eval_dataset,
learning_rate=0.000025,
save_dir='output/mobilenet_v2/quant',
use_vdl=True)
具体的代码请参考模型量化示例代码
请转至文档加载模型预测查看加载模型用于预测的使用方式。
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。