评价此页
★ ★ ★ ★ ★
beginner/basics/saveloadrun_tutorial

注意

转到末尾 以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 || 保存与加载模型

保存和加载模型#

创建日期：2021年02月09日 | 最后更新：2025年09月25日 | 最后验证：2024年11月05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 模型将其学习到的参数存储在一个内部状态字典中，称为 state_dict。可以使用 torch.save 方法将它们持久化。

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]
  8%|▊         | 40.2M/528M [00:00<00:01, 421MB/s]
 16%|█▌        | 82.0M/528M [00:00<00:01, 430MB/s]
 24%|██▎       | 125M/528M [00:00<00:00, 440MB/s]
 32%|███▏      | 168M/528M [00:00<00:00, 444MB/s]
 40%|████      | 211M/528M [00:00<00:00, 447MB/s]
 48%|████▊     | 254M/528M [00:00<00:00, 448MB/s]
 56%|█████▋    | 298M/528M [00:00<00:00, 449MB/s]
 65%|██████▍   | 341M/528M [00:00<00:00, 450MB/s]
 73%|███████▎  | 384M/528M [00:00<00:00, 451MB/s]
 81%|████████  | 427M/528M [00:01<00:00, 452MB/s]
 89%|████████▉ | 470M/528M [00:01<00:00, 452MB/s]
 97%|█████████▋| 514M/528M [00:01<00:00, 452MB/s]
100%|██████████| 528M/528M [00:01<00:00, 448MB/s]

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

在下面的代码中，我们将 weights_only 设置为 True，以将反序列化期间执行的函数限制为仅加载权重所必需的函数。在加载权重时，将 weights_only 设置为 True 被认为是最佳实践。

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

在进行推理之前，请务必调用 model.eval() 方法以将 dropout 和 batch normalization 层设置为评估模式。否则将导致不一致的推理结果。

保存和加载带形状的模型#

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。如果我们想将此类的结构与模型一起保存，那么我们可以将 model（而不是 model.state_dict()）传递给保存函数。

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

然后，我们可以按照下面的方法加载模型。

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，我们在下面使用了 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

此方法在序列化模型时使用 Python 的 pickle 模块，因此它依赖于在加载模型时可用实际的类定义。

在此页面上
PyTorch 库