---

在 PyTorch 中，加载模型通常分为两种情况：加载模型参数（state_dict） 和 加载整个模型。以下是加载模型的所有相关操作及其详细步骤：

---

1. 加载模型参数 (state_dict)

当仅保存了模型的参数时（使用 model.state_dict() 保存），加载模型的步骤如下：

1.1 保存模型参数

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

• 文件内容：只保存模型的参数（权重和偏置）。
• 优点：
  • 节省存储空间。
  • 灵活性更高，可以与不同的模型架构配合使用。
• 缺点：
  • 需要手动重新定义模型结构。

---

1.2 加载模型参数

1. 重新定义模型架构：

   model = MyModel()  # 替换为你的模型类
   

2. 加载参数：

   state_dict = torch.load('model.pth')  # 加载参数字典
   model.load_state_dict(state_dict)    # 加载参数到模型
   

3. 选择运行设备：

   model.to('cuda')  # 如果需要运行在 GPU 上
   

---

1.3 常见变种

1.3.1 指定加载设备

• 如果保存时模型在 GPU 上，而加载时在 CPU 环境中，可以使用 map_location：

  state_dict = torch.load('model.pth', map_location='cpu')
  

1.3.2 非严格加载（跳过部分层）

• 如果保存的参数与模型结构不完全匹配（例如额外的层或不同的顺序），可以使用 strict=False：

  model.load_state_dict(state_dict, strict=False)
  

1.3.3 打印加载的参数

• 可以检查参数字典的内容：

  print(state_dict.keys())
  

---

2. 加载整个模型

当模型是通过 torch.save(model) 保存时，文件包含了模型的结构和参数，加载更为简单。

2.1 保存整个模型

torch.save(model, 'model_full.pth')

• 文件内容：包含模型的架构和参数。
• 优点：
  • 无需重新定义模型结构。
  • 直接加载并使用。
• 缺点：
  • 文件依赖于保存时的代码版本（如模型定义）。
  • 文件体积较大。

---

2.2 加载整个模型

model = torch.load('model_full.pth')
model.to('cuda')  # 如果需要在 GPU 上运行

---

2.3 注意事项

• 动态定义的模型：
  • 如果模型结构是动态定义的（如包含条件逻辑），保存和加载整个模型可能会依赖于代码的一致性。
  • 确保在加载时导入了与保存时相同的模型类。

---

3. 总结

操作	使用场景	优点	缺点
保存参数 (state_dict)	推荐大多数情况	文件小、灵活性高	需要手动定义模型架构
保存整个模型	模型复杂且固定时	不需要重新定义模型，直接加载	文件大、依赖保存时的代码版本

---

4. 加载模型的完整代码示例

4.1 保存和加载参数

import torch
import torch.nn as nn

# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc = nn.Linear(10, 1)

    def forward(self, x):
        return self.fc(x)

# 保存参数
model = MyModel()
torch.save(model.state_dict(), 'model.pth')

# 加载参数
model = MyModel()  # 重新定义模型
state_dict = torch.load('model.pth')
model.load_state_dict(state_dict)
model.to('cuda')  # 运行在 GPU

4.2 保存和加载整个模型

# 保存整个模型
torch.save(model, 'model_full.pth')

# 加载整个模型
model = torch.load('model_full.pth')
model.to('cuda')  # 运行在 GPU

4.3 加载到不同设备

# 保存参数
torch.save(model.state_dict(), 'model.pth')

# 加载到 CPU
state_dict = torch.load('model.pth', map_location='cpu')
model.load_state_dict(state_dict)

# 加载到 GPU
model.to('cuda')

4.4 忽略部分参数（非严格加载）

# 保存参数
torch.save(model.state_dict(), 'model.pth')

# 加载参数（非严格模式）
model = MyModel()
state_dict = torch.load('model.pth')
model.load_state_dict(state_dict, strict=False)

---

5. 检查模型是否加载成功

1. 验证权重是否加载

   for name, param in model.named_parameters():
       print(f"{name}: {param.data}")
   

2. 进行推理验证

   x = torch.randn(1, 10).to('cuda')  # 假设输入维度为 10
   output = model(x)
   print(output)
   

---

通过以上操作，你可以灵活加载 PyTorch 模型，无论是仅加载参数还是加载整个模型结构和权重。

转载自CSDN-专业IT技术社区

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

原文链接：https://blog.csdn.net/xzs1210652636/article/details/145102305