torch.save(module.state_dict(), path)：使用module.state_dict()函數獲取各層已經訓練好的參數和緩沖區(qū)，然后將參數和緩沖區(qū)保存到path所指定的文件存放路徑（常用文件格式為.pt、.pth或.pkl）。
torch.nn.Module.load_state_dict(state_dict)：從state_dict中加載參數和緩沖區(qū)到Module及其子類中。
torch.nn.Module.state_dict()函數返回python中的一個OrderedDict類型字典對象，該對象將每一層與它的對應參數和緩沖區(qū)建立映射關系，字典的鍵值是參數或緩沖區(qū)的名稱。只有那些參數可以訓練的層才會被保存到OrderedDict中，例如：卷積層、線性層等。
Python中的字典類以“鍵:值”方式存取數據，OrderedDict是它的一個子類，實現了對字典對象中元素的排序（OrderedDict根據放入元素的先后順序進行排序）。由于進行了排序，所以順序不同的兩個OrderedDict字典對象會被當做是兩個不同的對象。
示例：

import torch
import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 2, 3)
        self.pool1 = nn.MaxPool2d(2, 2)

    def forward(self, x):
        x = self.conv1(x)
        x = self.pool1(x)
        return x

# 初始化網絡
net = Net()
net.conv1.weight[0].detach().fill_(1)
net.conv1.weight[1].detach().fill_(2)
net.conv1.bias.data.detach().zero_()
# 獲取state_dict
state_dict = net.state_dict()
# 字典的遍歷默認是遍歷key，所以param_tensor實際上是鍵值
for param_tensor in state_dict: 
    print(param_tensor,'：\n',state_dict[param_tensor])
# 保存模型參數
torch.save(state_dict,"net_params.pth")
# 通過加載state_dict獲取模型參數
net.load_state_dict(state_dict)

輸出：

在這里插入圖片描述

二、完整模型的保存和加載

torch.save(module, path)：將訓練完的整個網絡模型module保存到path所指定的文件存放路徑（常用文件格式為.pt或.pth）。
torch.load(path)：加載保存到path中的整個神經網絡模型。
示例：

import torch
import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 2, 3)
        self.pool1 = nn.MaxPool2d(2, 2)

    def forward(self, x):
        x = self.conv1(x)
        x = self.pool1(x)
        return x

# 初始化網絡
net = Net()
net.conv1.weight[0].detach().fill_(1)
net.conv1.weight[1].detach().fill_(2)
net.conv1.bias.data.detach().zero_()
# 保存整個網絡
torch.save(net,"net.pth")
# 加載網絡
net = torch.load("net.pth")

到此這篇關于PyTorch深度學習模型的保存和加載流程詳解的文章就介紹到這了,更多相關PyTorch 模型的保存內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: