注意
点击此处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 || 转换 || 构建模型 || 自动梯度 || 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，我们将了解如何通过保存、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名为 state_dict 的内部状态字典中。这些可以通过 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 | 20.6M/528M [00:00<00:02, 216MB/s]
8%|7 | 41.9M/528M [00:00<00:02, 219MB/s]
12%|#1 | 63.1M/528M [00:00<00:02, 221MB/s]
16%|#5 | 84.4M/528M [00:00<00:02, 222MB/s]
20%|## | 106M/528M [00:00<00:01, 222MB/s]
24%|##4 | 127M/528M [00:00<00:01, 222MB/s]
28%|##8 | 148M/528M [00:00<00:01, 223MB/s]
32%|###2 | 170M/528M [00:00<00:01, 223MB/s]
36%|###6 | 191M/528M [00:00<00:01, 223MB/s]
40%|#### | 212M/528M [00:01<00:01, 223MB/s]
44%|####4 | 234M/528M [00:01<00:01, 223MB/s]
48%|####8 | 255M/528M [00:01<00:01, 223MB/s]
52%|#####2 | 276M/528M [00:01<00:01, 223MB/s]
56%|#####6 | 298M/528M [00:01<00:01, 223MB/s]
60%|###### | 319M/528M [00:01<00:00, 223MB/s]
65%|######4 | 341M/528M [00:01<00:00, 223MB/s]
69%|######8 | 362M/528M [00:01<00:00, 223MB/s]
73%|#######2 | 383M/528M [00:01<00:00, 223MB/s]
77%|#######6 | 405M/528M [00:01<00:00, 223MB/s]
81%|######## | 426M/528M [00:02<00:00, 223MB/s]
85%|########4 | 448M/528M [00:02<00:00, 223MB/s]
89%|########8 | 469M/528M [00:02<00:00, 223MB/s]
93%|#########2| 490M/528M [00:02<00:00, 223MB/s]
97%|#########6| 511M/528M [00:02<00:00, 223MB/s]
100%|##########| 528M/528M [00:02<00:00, 223MB/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
请务必在推理前调用 model.eval() 方法，将 dropout 和批归一化层设置为评估模式。未能这样做将导致不一致的推理结果。
保存和加载具有形状的模型¶
加载模型权重时，我们需要首先实例化模型类，因为该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')
然后我们可以如下所示加载模型。
如 保存和加载 torch.nn.Modules 中所述，保存 state_dict 被认为是最佳实践。但是，下面我们使用 weights_only=False，因为这涉及到加载模型，这是 torch.save 的遗留用例。
model = torch.load('model.pth', weights_only=False),
注意
此方法在序列化模型时使用 Python pickle 模块，因此它依赖于在加载模型时可用的实际类定义。
