pytorch模型的保存与加载
1 pytorch保存和加载模型的三种方法
PyTorch提供了三种方式来保存和加载模型，在这三种方式中，加载模型的代码和保存模型的代码必须相匹配，才能保证模型的加载成功。通常情况下，使用第一种方式（保存和加载模型状态字典）更加常见，因为它更轻量且不依赖于特定的模型类。
1.1 仅保存和加载模型参数（推荐）
1.1.1 保存模型参数
import torch
import torch.nn as nn
model = nn.Sequential(nn.Linear(128, 16), nn.ReLU(), nn.Linear(16, 1))
# 保存整个模型
torch.save(model.state_dict(), 'sample_model.pt')1.1.2 加载模型参数
import torch
import torch.nn as nn
# 下载模型参数 并放到模型中
loaded_model = nn.Sequential(nn.Linear(128, 16), nn.ReLU(), nn.Linear(16, 1))
loaded_model.load_state_dict(torch.load('sample_model.pt'))
print(loaded_model)显示如下：
Sequential(
(0): Linear(in_features=128, out_features=16, bias=True)
(1): ReLU()
(2): Linear(in_features=16, out_features=1, bias=True)
)net.state_dict()，在PyTorch中，Module 的可学习参数 (即权重和偏差)，模块模型包含在参数中 (通过 model.parameters() 访问)。state_dict 是一个从参数名称隐射到参数 Tesnor 的有序字典对象。只有具有可学习参数的层(卷积层、线性层等) 才有 state_dict 中的条目。
1.2 保存和加载整个模型
1.2.1 保存整个模型
import torch
import torch.nn as nn
net = nn.Sequential(nn.Linear(128, 16), nn.ReLU(), nn.Linear(16, 1))
# 保存整个模型，包含模型结构和参数
torch.save(net, 'sample_model.pt')1.2.2 加载整个模型
import torch
import torch.nn as nn
# 加载整个模型，包含模型结构和参数
loaded_model = torch.load('sample_model.pt')
print(loaded_model)显示如下：
Sequential(
(0): Linear(in_features=128, out_features=16, bias=True)
(1): ReLU()
(2): Linear(in_features=16, out_features=1, bias=True)
)1.3 导出和加载ONNX格式模型
1.3.1 保存模型
import torch
import torch.nn as nn
model = nn.Sequential(nn.Linear(128, 16), nn.ReLU(), nn.Linear(16, 1))
input_sample = torch.randn(16, 128) # 提供一个输入样本作为示例
torch.onnx.export(model, input_sample, 'sample_model.onnx')1.3.2 加载模型
import torch
import torch.nn as nn
import onnx
import onnxruntime
loaded_model = onnx.load('sample_model.onnx')
session = onnxruntime.InferenceSession('sample_model.onnx')
print(session)2 模型保存与加载使用的函数
2.1 保存模型函数torch.save
将对象序列化保存到磁盘中，该方法原理是基于python中的pickle来序列化，各种Models,tensors,dictionaries 都可以使用该方法保存。保存的模型文件名可以是.pth, .pt, .pkl。
def save(
obj: object,
f: FILE_LIKE,
pickle_module: Any = pickle,
pickle_protocol: int = DEFAULT_PROTOCOL,
_use_new_zipfile_serialization: bool = True
) -> None:- obj：保存的对象
- f：一个类似文件的对象（必须实现写入和刷新）或字符串或操作系统。包含文件名的类似路径对象
- pickle_module：用于挑选元数据和对象的模块
- pickle_protocol：可以指定以覆盖默认协议
备注：关于模型的后缀.pt、.pth、.pkl它们并不存在格式上的区别，只是后缀名不同而已。 torch.save()语句保存出来的模型文件没有什么不同。
2.2 加载模型函数torch.load
def load(
f: FILE_LIKE,
map_location: MAP_LOCATION = None,
pickle_module: Any = None,
*,
weights_only: bool = False,
**pickle_load_args: Any
) -> Any:- f：类文件对象 (返回文件描述符)或一个保存文件名的字符串
- map_location：一个函数或字典规定如何映射存储设备，
torch.device对象 - pickle_module：用于 unpickling 元数据和对象的模块 (必须匹配序列化文件时的 pickle_module )
2.3 加载模型参数torch.nn.Module.load_state_dict
序列化 (Serialization)是将对象的状态信息转换为可以存储或传输的形式的过程。 在序列化期间，对象将其当前状态写入到临时或持久性存储区。以后，可以通过从存储区中读取或反序列化对象的状态，重新创建该对象。
def load_state_dict(self, state_dict: 'OrderedDict[str, Tensor]',
strict: bool = True):- state_dict：保存 parameters 和 persistent buffers 的字典
- strict：可选，bool型。state_dict 中的 key 是否和 model.state_dict() 返回的 key 一致。
2.4 状态字典state_dict
函数作用是“获取优化器当前状态信息字典”，在神经网络中模型上训练出来的模型参数，也就是权重和偏置值。在Pytorch中，定义网络模型是通过继承torch.nn.Module来实现的。其网络模型中包含可学习的参数（weights, bias, 和一些登记的缓存如batchnorm’s running_mean 等）。模型内部的可学习参数可通过两种方式进行调用：
- 通过model.parameters()这个生成器来访问所有参数。
- 通过model.state_dict()来为每一层和它的参数建立一个映射关系并存储在字典中，其键值由每个网络层和其对应的参数张量构成。
def state_dict(self, destination=None, prefix='', keep_vars=False):除模型外，优化器对象(torch.optim)同样也有一个状态字典，包含的优化器状态信息以及使用的超参数。由于状态字典属于Python 字典，因此对 PyTorch 模型和优化器的保存、更新、替换、恢复等操作都比较便捷。
3 指定map_location加载模型
采用仅加载模型参数的方式，指定设备类型进行模型加载，代码如下：
model_path = '/opt/sample_model.pth'
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
map_location = torch.device(device)
model.load_state_dict(torch.load(self.model_path, map_location=self.map_location))