PyTorch 中如何使用 torch.save 保存模型？

推荐答案

在 PyTorch 中，使用 torch.save 保存模型通常有两种方式：保存整个模型和仅保存模型的参数。以下是两种方式的示例代码：

保存整个模型

-- -------------------- ---- -------
------ -----
------ -------- -- --

- ---------
----- -----------------------
    --- ---------------
        ------------------ ----------------
        ------- - ------------- --

    --- ------------- ---
        ------ ----------

- -----
----- - -------------

- ------
----------------- ------------

仅保存模型参数

# 仅保存模型参数
torch.save(model.state_dict(), 'model_params.pth')

本题详细解读

保存整个模型

• 优点：保存整个模型时，不仅保存了模型的参数，还保存了模型的结构和优化器的状态等信息。这意味着在加载模型时，可以直接使用 torch.load 加载整个模型，而不需要重新定义模型结构。
• 缺点：保存整个模型的文件通常较大，且依赖于特定的类和导入路径，因此在某些情况下可能会导致加载失败。

仅保存模型参数

• 优点：仅保存模型参数时，文件较小，且不依赖于模型的定义。加载时，需要先实例化模型，然后使用 model.load_state_dict(torch.load('model_params.pth')) 加载参数。
• 缺点：需要手动定义模型结构，并且在加载参数之前需要确保模型结构与保存时一致。

加载模型

• 加载整个模型：

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

• 加载模型参数：

  model = SimpleModel()
  model.load_state_dict(torch.load('model_params.pth'))

注意事项

• 模型版本兼容性：在保存和加载模型时，确保 PyTorch 版本一致，以避免兼容性问题。
• 设备兼容性：如果模型是在 GPU 上训练的，加载时可能需要将其映射到 CPU 或其他设备上。可以使用 map_location 参数来指定设备：

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

通过以上方式，可以灵活地保存和加载 PyTorch 模型，以适应不同的应用场景。