当保存和加载模型时，需要熟悉三个核心功能：
1. torch.save ：将序列化对象保存到磁盘。此函数使用 Python 的 pickle 模块进行序列化。使
用此函数可以保存如模型、 tensor 、字典等各种对象。
2. torch. load ：使用 pickle 的 unpickling 功能将 pickle 对象文件反序列化到内存。此功能还可
以有助于设备加载数据。
3. torch.nn.Module.load_state_dict ：使用反序列化函数 state_dict 来加载模型的参数字典。
1 保存和加载推理模型
保存
torch.save(model.state_dict(), PATH)加载
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.eval（)
当保存好模型用来推断的时候，只需要保存模型学习到的参数，使用 torch.save() 函数来保
存模型 state_dict , 它会给模型恢复提供 最大的灵活性，这就是为什么要推荐它来保存的原
因。
在 PyTorch 中最常见的模型保存使 ‘.pt’ 或者是 ‘.pth’ 作为模型文件扩展名。
请记住，在运行推理之前，务必调用 model.eval（) 去设置 dropout 和 batch normalization 层为评 估模式。如果不这么做，可能导致 模型推断结果不一致。
注意： load_state_dict() 函数只接受字典对象，而不是保存对象的路径。这就意味着在你传给
load_state_dict() 函数之前，你必须反序列化 你保存的 state_dict 。例如，你无法通过
model.load_state_dict(PATH) 来加载模型。
2 保存/加载完整模型
保存
torch.save(model, PATH)加载
new_model = torch.load(PATH)
new_model.eval（)
#new_model 不再需要第一种方法中的建立新模型的步骤
此部分保存 / 加载过程使用最直观的语法并涉及最少量的代码。以 Python ‘pickle’ 模块的方式
来保存模型。这种方法的缺点是序列化数据受 限于某种特殊的类而且需要确切的字典结构。
这是因为 pickle 无法保存模型类本身。相反，它保存包含类的文件的路径，该文件在加载时使
用。 因此，当在其他项目使用或者重构之后，您的代码可能会以各种方式中断。
在 PyTorch 中最常见的模型保存使用 ‘.pt’ 或者是 ‘.pth’ 作为模型文件扩展名。
请记住，在运行推理之前，务必调用 model.eval（) 设置 dropout 和 batch normalization 层为评估模式。如果不这么做，可能导致模型推断结果不一致。
3 保存和加载 Checkpoint 用于推理/继续训练
保存
torch.save({
'epoch': epoch,
'model_state_dict': model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'loss': loss,
...
}, PATH)加载
model = TheModelClass(*args, **kwargs)
optimizer = TheOptimizerClass(*args, **kwargs)
checkpoint = torch.load(PATH)
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
epoch = checkpoint['epoch']
loss = checkpoint['loss']
model.eval（)
# - or -
model.train()
4 在一个文件中保存多个模型
保存
torch.save({
'modelA_state_dict': modelA.state_dict(),
'modelB_state_dict': modelB.state_dict(),
'optimizerA_state_dict': optimizerA.state_dict(),
'optimizerB_state_dict': optimizerB.state_dict(),
...
}, PATH)加载
modelA = TheModelAClass(*args, **kwargs)
modelB = TheModelBClass(*args, **kwargs)
optimizerA = TheOptimizerAClass(*args, **kwargs)
optimizerB = TheOptimizerBClass(*args, **kwargs)
checkpoint = torch.load(PATH)
modelA.load_state_dict(checkpoint['modelA_state_dict'])
modelB.load_state_dict(checkpoint['modelB_state_dict'])
optimizerA.load_state_dict(checkpoint['optimizerA_state_dict'])
optimizerB.load_state_dict(checkpoint['optimizerB_state_dict'])
modelA.eval（)
modelB.eval（)
# - or -
modelA.train()
modelB.train()
当保存一个模型由多个 torch.nn.Modules 组成时，例如 GAN( 对抗生成网络 ) 、 sequence-to-
sequence ( 序列到序列模型 ), 或者是多个模型融合 , 可以采用与保存常规检查点相同的方法。
换句话说，保存每个模型的 state_dict 的字典和相对应的优化器。如前所述，可以通过简单地
将它们附加到字典的方式来保存任何其他项目，这样有助于恢复训练。
PyTorch 中常见的保存 checkpoint 是使用 .tar 文件扩展名。 要加载项目，首先需要初始化模型和优化器，然后使用 torch. load () 来加载本地字典。这里，你可以非常容易的通过简单查询字典来访问你所保存的项目。
请记住在运行推理之前，务必调用 model.eval（) 去设置 dropout 和 batch normalization 为评估。如果不这样做，有可能得到不一致的推断结果。 如果你想要恢复训练，请调用 model.train() 以 确保这些层处于训练模式。
5 使用在不同模型参数下的热启动模式
保存
torch.save(modelA.state_dict(), PATH)加载
modelB = TheModelBClass(*args, **kwargs)
modelB.load_state_dict(torch.load(PATH), strict=False)
在迁移学习或训练新的复杂模型时，部分加载模型或加载部分模型是常见的情况。利用训练好
的参数，有助于热启动训练过程，并希望帮助你的模型比从头开始训练能够更快地收敛。
无论是从缺少某些键的 state_dict 加载还是从键的数目多于加载模型的 state_dict , 都可以通过在 load_state_dict() 函数中将 strict 参数设置为 False 来忽略非匹配键的函数。
如果要将参数从一个层加载到另一个层，但是某些键不匹配，主要修改正在加载的 state_dict 中的 参数键的名称以匹配要在加载到模型中的键即可。
6 通过设备保存/加载模型
6.1 保存到 CPU、加载到 CPU
保存
torch.save(model.state_dict(), PATH)加载
device = torch.device('cpu')
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location=device))6.2 保存到 GPU、加载到 GPU
保存
torch.save(model.state_dict(), PATH)加载
device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.to(device) # 确保在你提供给模型的任何输入张量上调用input = input.to(device)
当在 GPU 上训练并把模型保存在 GPU ，只需要使用 model. to (torch.device( 'cuda' )) ，将初
始化的 model 转换为 CUDA 优化模型。另外，请 务必在所有模型输入上使用 .to ( torch.device ( ' cuda ' )) 函数来为模型准备数据。请注意，调用 my_tensor. to (device)
会在 GPU 上返回 my_tensor 的副本。 因此，请记住手动覆盖张量： my_tensor= my_tensor. to (torch.device( 'cuda' )) 。
6.3 保存到 CPU，加载到 GPU
保存
torch.save(model.state_dict(), PATH)加载
device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location="cuda:0")) # Choose whatever GPU device number you want
model.to(device) # 确保在你提供给模型的任何输入张量上调用input = input.to(device)
在 CPU 上训练好并保存的模型加载到 GPU 时，将 torch. load () 函数中的 map_location 参数设
置为 cuda:device_id 。这会将模型加载到指定的 GPU 设备。接下来，请务必调用
model. to (torch.device( 'cuda' )) 将模型的参数张量转换为 CUDA 张量。最后，确保在所有
模型输入上使用 .to ( torch.device ( ' cuda ' )) 函数来为 CUDA 优化模型。请注意，调用
my_tensor. to (device) 会在 GPU 上返回 my_tensor 的新副本。它不会覆盖 my_tensor 。因
此， 请手动覆盖张量 my_tensor = my_tensor. to (torch.device( 'cuda' )) 。
6.4 保存 torch.nn.DataParallel 模型
保存
torch.save(model.module.state_dict(), PATH)加载
# 加载任何你想要的设备
torch.nn.DataParallel 是一个模型封装，支持并行 GPU 使用。要普通保存 DataParallel 模型 ,
请保存 model.module.state_dict() 。 这样，你就可以非常灵活地以任何方式加载模型到你
想要的设备中。
