相关阅读

Pytorch基础https://blog.csdn.net/weixin_45791458/category_12457644.html?spm=1001.2014.3001.5482

---

        笔者在使用torch.nn.module的load_state_dict中出现了一个问题，一个被注册的张量在加载后居然没有变化，一开始以为是加载出现了问题，但发现其他参数加载成功，思索后发现是注册的张量的类型是整型而checkpoint中保存为浮点数类型，恰好注册时的默认值给的是0，而checkpoint中的浮点数又在0到1之间，因此出现了这个令人困惑的bug。

        下面首先复现这个bug。

import torch
import torch.nn as nn

# 定义一个简单的线性模型，参数类型为整数
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.register_buffer('test', torch.tensor(0)) # 注册一个整型张量

# 创建一个简单模型实例
model = SimpleModel()

# 创建一个浮点数作为参数
float_parameter = torch.tensor(0.6)

# 将注册名指向另一个浮点型张量
model.test = float_parameter

# 保存模型
torch.save(model.state_dict(), 'model.pth')

# 直接使用原模型加载
checkpoint = torch.load('model.pth')
model.load_state_dict(checkpoint)

# 打印加载后的参数
print(model.test)

# 直接使用新模型加载
model_1 = SimpleModel()
model_1.load_state_dict(checkpoint)

# 打印加载后的参数
print(model_1.test)

输出：
tensor(0.6000)
tensor(0)

        可以看到，当模型中注册的名字(test)，指向了一个类型不符的张量后，并不会导致浮点型张量被截断为整型，这是因为此处是直接使用赋值号=，使名字指向了另一个张量。

        但使用load_state_dict()方法与使用赋值号是不同的，load_state_dict()方法的实现中，调用了_load_from_state_dict()方法，其中调用了copy_()方法，进行了原位(in-place)数据替换，这可能会进行截断，下面是原位替换的一个例子。

import torch

# 创建两个张量
a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[5.1, 6.1], [7.1, 8.1]])

# 查看张量对象的id
print(id(a))
print(id(b))

# 查看底层存储的内存地址
print(a.storage().data_ptr())
print(b.storage().data_ptr())

# 将张量 b 中的值复制到张量 a 中
a.copy_(b)

# 打印复制后的结果
print(a)

# 查看张量对象的id
print(id(a))
print(id(b))

# 查看底层存储的内存地址
print(a.storage().data_ptr())
print(b.storage().data_ptr())

输出：
2604425272672
2604426953808  
2604511348096  
2602930352832  
tensor([[5, 6],
        [7, 8]])
2604425272672
2604426953808
2604511348096
2602930352832

        在保存了模型的状态字典后，使用load_state_dict()方法加载后，也不会有任何截断问题，因为对于原模型而言，名字test指向的是一个浮点型张量，此时原位替换，类型吻合。但是对于一个新的模型，此时的test指向的是一个整型张量，此时原位替换，会发生截断。

        因此，在注册一个张量时，需要确保其在注册时和保存时的类型吻合，此处除了指形状，还有类型，否则可能会出现意想不到的bug。