基础知识 || 快速入门 || 张量 || 数据集与数据加载器 || Transforms || 构建神经网络 || 自动微分 || 优化模型参数 || 保存和加载模型

保存和加载模型

在本节中，我们将学习如何通过保存、加载以及运行模型预测，来持久化模型。

import torch
import torchvision.models as models

保存和加载模型权重

PyTorch模型将学习到的参数存储在一个内部状态字典中，称为``state_dict``。这些参数可以通过``torch.save``进行持久化。 方法:

model = models.vgg16(weights='IMAGENET1K_V1')
torch.save(model.state_dict(), 'model_weights.pth')

要加载模型权重，您需要先创建一个相同模型的实例，然后使用``load_state_dict()``方法加载参数。

model = models.vgg16() # we do not specify ``weights``, i.e. create untrained model
model.load_state_dict(torch.load('model_weights.pth'))
model.eval()

。。 注意:: 在进行推理之前，请确保调用``model.eval()``方法以将 dropout 和 batch normalization layers设置为评估模式。如果不这样做，将导致不一致的推理结果。

保存和加载带有结构的模型

在加载模型权重时，我们需要先实例化模型类，因为类定义了网络的结构。我们可能希望将这个类的结构与模型一起保存， 在这种情况下，我们可以将``model``（而不是``model.state_dict()``）传递给 save 函数：

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

我们可以使用如下方式加载模型:

model = torch.load('model.pth')

相关教程

• PyTorch 中保存和加载通用Checkpoint

• 从 checkpoint 加载 nn.Module 的实用技巧