注意
跳转到结尾 下载完整的示例代码。
学习基础知识 || 快速入门 || 张量 || 数据集 & 数据加载器 || 变换 || 构建模型 || 自动梯度 || 优化 || 保存 & 加载模型
保存和加载模型#
创建于：2021 年 2 月 9 日 | 最后更新：2025 年 9 月 25 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内部状态字典中，称为 state_dict。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]
7%|▋ | 36.0M/528M [00:00<00:01, 377MB/s]
14%|█▎ | 72.0M/528M [00:00<00:01, 317MB/s]
21%|██ | 111M/528M [00:00<00:01, 354MB/s]
28%|██▊ | 150M/528M [00:00<00:01, 374MB/s]
36%|███▌ | 189M/528M [00:00<00:00, 387MB/s]
43%|████▎ | 228M/528M [00:00<00:00, 395MB/s]
51%|█████ | 268M/528M [00:00<00:00, 400MB/s]
58%|█████▊ | 307M/528M [00:00<00:00, 403MB/s]
66%|██████▌ | 346M/528M [00:00<00:00, 405MB/s]
73%|███████▎ | 385M/528M [00:01<00:00, 407MB/s]
80%|████████ | 424M/528M [00:01<00:00, 409MB/s]
88%|████████▊ | 464M/528M [00:01<00:00, 410MB/s]
95%|█████████▌| 503M/528M [00:01<00:00, 411MB/s]
100%|██████████| 528M/528M [00:01<00:00, 397MB/s]
要加载模型权重，首先需要实例化相同的模型，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=True 设置为仅限制在反序列化期间执行的函数，这些函数对于加载权重是必需的。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
请务必在推理之前调用 model.eval() 方法，以将 dropout 和批量归一化层设置为评估模式。否则将产生不一致的推理结果。
保存和加载具有形状的模型#
在加载模型权重时，我们需要首先实例化模型类，因为该类定义了网络的结构。我们可能希望将该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')
然后我们可以按照如下所示加载模型。
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，因为这涉及加载模型，这是 torch.save 的遗留用例。
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，因此它依赖于在加载模型时提供实际的类定义。
