Pytorch模型保存/加载方式：①只保存/加载模型参数【推荐】；②保存/加载整个模型（结构+参数）；③保存模型Checkpoint；④CPU/GPU保存加载【后缀：pt、pth、pkl】

╰+哭是因爲堅強的太久メ 2023-10-02 10:44 15阅读 0赞

当提到保存和加载模型时，有三个核心功能需要熟悉：

1.  **torch.save**：将序列化的对象保存到disk。这个函数使用**Python的pickle**实用程序进行序列化。使用这个函数可以保存各种对象的模型、张量和字典。
2.  **torch.load**：使用pickle unpickle工具将pickle的对象文件反序列化为内存。
3.  **torch.nn.Module.load\_state\_dict**:使用反序列化状态字典加载model’s参数字典。

## 一、模型保存与调用方式一：只保存模型参数 ##

### 1、模型保存 ###

model = TheModelClass(*args, **kwargs)
    # ------------- 模型训练: 开始 -------------
    ......
    # ------------- 模型训练: 结束 -------------
    PATH = r'.\saved_model\model_state_dict_step_01.pt'
    torch.save(model.state_dict(), PATH)

在保存模型进行推理时，只需要保存训练过的模型的学习参数即可。

一个常见的PyTorch约定是使用.pt或.pth文件扩展名保存模型。

### 2、模型加载 ###

# 重构模型结构(与保存的模型结构要完全一致)
    model = TheModelClass(*args, **kwargs)
    # 根据模型结构，调用存储的模型参数
    model.load_state_dict(torch.load(PATH))

注意，`load_state_dict()`函数接受一个dictionary对象，而不是保存对象的路径。这意味着您必须在将保存的state\_dict传至load\_state\_dict()函数之前反序列化它（用`torch.load(PATH)`进行反序列化）。

加载后的模型如果用于验证或测试，则先调用`model.eval()`，以便在运行推断之前将dropout和batch规范化层设置为评估模式。如果不这样做，将会产生不一致的推断结果。

## 二、模型保存与调用方式二：保存整个模型（结构+参数） ##

### 1、模型保存 ###

model = TheModelClass(*args