注意
点击这里下载完整的示例代码
学习基础知识 || 快速入门 || 张量 || 数据集和数据加载器 || 变换 || 构建模型 || 自动求导 || 优化 || 保存和加载模型
保存和加载模型
创建于：2021年2月9日 | 最后更新：2024年10月15日 | 最后验证：2024年11月5日
在本节中，我们将探讨如何通过保存、加载和运行模型预测来持久化模型状态。
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 方法持久化：
model = models.vgg16(weights='IMAGENET1K_V1')
torch.save(model.state_dict(), 'model_weights.pth')
Downloading: "https://download.pytorch.org/models/vgg16-397923af.pth" to /var/lib/ci-user/.cache/torch/hub/checkpoints/vgg16-397923af.pth
0%| | 0.00/528M [00:00<?, ?B/s]
4%|3 | 20.9M/528M [00:00<00:02, 218MB/s]
8%|8 | 42.4M/528M [00:00<00:02, 222MB/s]
12%|#2 | 63.9M/528M [00:00<00:02, 224MB/s]
16%|#6 | 85.4M/528M [00:00<00:02, 224MB/s]
20%|## | 107M/528M [00:00<00:01, 225MB/s]
24%|##4 | 128M/528M [00:00<00:01, 224MB/s]
28%|##8 | 150M/528M [00:00<00:01, 225MB/s]
32%|###2 | 171M/528M [00:00<00:01, 225MB/s]
37%|###6 | 193M/528M [00:00<00:01, 224MB/s]
41%|#### | 214M/528M [00:01<00:01, 225MB/s]
45%|####4 | 236M/528M [00:01<00:01, 225MB/s]
49%|####8 | 257M/528M [00:01<00:01, 225MB/s]
53%|#####2 | 279M/528M [00:01<00:01, 225MB/s]
57%|#####6 | 300M/528M [00:01<00:01, 225MB/s]
61%|###### | 322M/528M [00:01<00:00, 225MB/s]
65%|######5 | 343M/528M [00:01<00:00, 225MB/s]
69%|######9 | 365M/528M [00:01<00:00, 225MB/s]
73%|#######3 | 387M/528M [00:01<00:00, 225MB/s]
77%|#######7 | 408M/528M [00:01<00:00, 225MB/s]
81%|########1 | 430M/528M [00:02<00:00, 225MB/s]
85%|########5 | 451M/528M [00:02<00:00, 225MB/s]
90%|########9 | 473M/528M [00:02<00:00, 225MB/s]
94%|#########3| 494M/528M [00:02<00:00, 225MB/s]
98%|#########7| 516M/528M [00:02<00:00, 225MB/s]
100%|##########| 528M/528M [00:02<00:00, 225MB/s]
要加载模型权重，您需要首先创建相同模型的实例，然后使用load_state_dict()方法加载参数。
在下面的代码中，我们设置weights_only=True以限制在反序列化期间执行的函数仅为加载权重所需的函数。使用weights_only=True被认为是加载权重时的最佳实践。
model = models.vgg16() # we do not specify ``weights``, i.e. create untrained model
model.load_state_dict(torch.load('model_weights.pth', weights_only=True))
model.eval()
VGG(
(features): Sequential(
(0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): ReLU(inplace=True)
(2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(3): ReLU(inplace=True)
(4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(6): ReLU(inplace=True)
(7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(8): ReLU(inplace=True)
(9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(11): ReLU(inplace=True)
(12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(13): ReLU(inplace=True)
(14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(15): ReLU(inplace=True)
(16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(18): ReLU(inplace=True)
(19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(20): ReLU(inplace=True)
(21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(22): ReLU(inplace=True)
(23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
(24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(25): ReLU(inplace=True)
(26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(27): ReLU(inplace=True)
(28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(29): ReLU(inplace=True)
(30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
(avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
(classifier): Sequential(
(0): Linear(in_features=25088, out_features=4096, bias=True)
(1): ReLU(inplace=True)
(2): Dropout(p=0.5, inplace=False)
(3): Linear(in_features=4096, out_features=4096, bias=True)
(4): ReLU(inplace=True)
(5): Dropout(p=0.5, inplace=False)
(6): Linear(in_features=4096, out_features=1000, bias=True)
)
)
注意
在推理之前，请确保调用model.eval()方法，将dropout和批量归一化层设置为评估模式。如果不这样做，将会导致不一致的推理结果。
保存和加载带有形状的模型
在加载模型权重时，我们需要首先实例化模型类，因为类定义了网络的结构。我们可能希望将此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()）传递给保存函数：
torch.save(model, 'model.pth')
然后我们可以加载模型，如下所示。
如Saving and loading torch.nn.Modules中所述，保存state_dict被认为是最佳实践。然而，下面我们使用weights_only=False，因为这涉及到加载模型，这是torch.save的一个遗留用例。
model = torch.load('model.pth', weights_only=False),
注意
这种方法在序列化模型时使用Python pickle模块，因此在加载模型时需要实际的类定义可用。
