উদাহরণসহ মডেল সেভ এবং লোড করার প্রক্রিয়া

PyTorch-এ মডেল সেভ এবং লোড করার জন্য আমরা দুটি প্রধান ধাপ অনুসরণ করি:

1. মডেল সেভ করা: আমরা মডেলের বর্তমান স্টেট (weights এবং biases) সংরক্ষণ করি, যাতে পরবর্তীতে মডেলটি পুনরায় ব্যবহার করা যায়।
2. মডেল লোড করা: সংরক্ষিত মডেল পুনরায় লোড করে, এটি দিয়ে ইনফারেন্স বা পুনরায় ট্রেনিং করা।

নিচে উদাহরণসহ এই প্রক্রিয়া ব্যাখ্যা করা হয়েছে।

ধাপ ১: প্যাকেজ ইমপোর্ট করা

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms

ধাপ ২: ডেটাসেট লোড করা

আমরা MNIST ডাটাসেট লোড করবো, যেমন আমরা আগেও করেছি।

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=transform, download=True)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)

ধাপ ৩: মডেল তৈরি করা

একটি সিম্পল নিউরাল নেটওয়ার্ক মডেল তৈরি করা:

class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(28 * 28, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)

    def forward(self, x):
        x = x.view(-1, 28 * 28)  # ইনপুট ফ্ল্যাট করা
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

model = SimpleNN()

ধাপ ৪: লস ফাংশন এবং অপ্টিমাইজার সেট করা

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

ধাপ ৫: মডেল ট্রেনিং

আমরা একটি এপক চালিয়ে মডেলটি ট্রেন করবো।

def train_model(model, train_loader, criterion, optimizer):
    model.train()  # মডেলকে ট্রেনিং মোডে সেট করা
    for images, labels in train_loader:
        outputs = model(images)
        loss = criterion(outputs, labels)
        
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    
train_model(model, train_loader, criterion, optimizer)

ধাপ ৬: মডেল সেভ করা

মডেলটি সেভ করার জন্য PyTorch-এর torch.save ফাংশন ব্যবহার করা হয়। এখানে মডেলের স্টেট ডিকশনারি সংরক্ষণ করা হবে।

torch.save(model.state_dict(), 'simple_nn_model.pth')

• model.state_dict(): এটি মডেলের বর্তমান স্টেট (weights এবং biases) সংরক্ষণ করে।
• 'simple_nn_model.pth': ফাইলের নাম যেখানে মডেল সংরক্ষণ করা হবে।

ধাপ ৭: মডেল লোড করা

সংরক্ষিত মডেলটি লোড করতে, প্রথমে একই আর্কিটেকচারের একটি মডেল তৈরি করতে হবে, তারপর সংরক্ষিত স্টেট লোড করতে হবে।

# মডেলের নতুন ইনস্ট্যান্স তৈরি করা
loaded_model = SimpleNN()

# সেভ করা মডেল স্টেট লোড করা
loaded_model.load_state_dict(torch.load('simple_nn_model.pth'))

# মডেলকে ইভালুয়েশন মোডে সেট করা
loaded_model.eval()

ধাপ ৮: ইনফারেন্স করা

লোড করা মডেল দিয়ে এখন ইনফারেন্স করা যাবে। আমরা এখানে একটি ইমেজে প্রেডিকশন করবো।

# একটি ব্যাচ থেকে একটি ইমেজ এবং লেবেল নেওয়া
images, labels = next(iter(train_loader))
image = images[0].unsqueeze(0)  # একটি ইমেজ নিয়ে এক্সট্রা ব্যাচ ডাইমেনশন যোগ করা

# মডেল দিয়ে প্রেডিকশন করা
with torch.no_grad():
    output = loaded_model(image)
    _, predicted = torch.max(output, 1)
    print(f'Predicted: {predicted.item()}, Actual: {labels[0].item()}')

মডেল সেভ এবং লোড করার প্রক্রিয়ার সংক্ষেপ:

মডেল সেভ করা:

torch.save(model.state_dict(), 'simple_nn_model.pth')

মডেল লোড করা:

loaded_model = SimpleNN()
loaded_model.load_state_dict(torch.load('simple_nn_model.pth'))
loaded_model.eval()

এভাবে, PyTorch-এ মডেল সেভ এবং লোড করা হয়। এই পদ্ধতিতে মডেল সংরক্ষণ করলে, আপনি পরবর্তীতে সহজেই মডেল লোড করে ইনফারেন্স বা পুনরায় ট্রেনিং করতে পারবেন।