常见的神经网络权重文件格式及其详细说明

常见的神经网络权重文件格式及其详细说明的表格：

扩展名	所属框架/工具	如何生成	表示内容	使用方法	注意事项
.pt, .pth	PyTorch	torch.save(model.state_dict(), "model.pt")	PyTorch模型的状态字典（权重和参数）或整个模型	加载方式：model.load_state_dict(torch.load("model.pt"))	如果保存整个模型（含结构和权重），可能导致跨设备加载问题。pth通常用于旧版本。
.h5, .hdf5	Keras/TensorFlow	model.save("model.h5")	完整的Keras模型（含结构、权重和优化器状态）	加载方式：keras.models.load_model("model.h5")	HDF5格式依赖h5py库；部分自定义层可能需要手动定义。
.pkl, .pickle	Python通用（如scikit-learn）	pickle.dump(model, open("model.pkl", "wb"))	序列化的Python对象（如模型参数或全量模型）	加载方式：model = pickle.load(open("model.pkl", "rb"))	存在安全风险（反序列化恶意代码）；建议仅在可信来源使用。
.ckpt	TensorFlow	使用tf.train.Checkpoint或ModelCheckpoint回调	TensorFlow检查点文件（模型参数、优化器状态等）	恢复训练：model.load_weights("model.ckpt")	检查点文件包含多个文件（如.index、.data-xxx等），需一起保留。
.pb	TensorFlow（SavedModel）	tf.saved_model.save(model, "model_dir")	TensorFlow的计算图结构和权重（Protocol Buffers格式）	加载方式：tf.keras.models.load_model("model_dir") 或 tf.saved_model.load("model_dir")	跨语言兼容性好，支持C++/Java等语言调用。
.onnx	ONNX（跨框架标准）	torch.onnx.export(model, input, "model.onnx")	跨框架的标准化模型（含结构和权重）	加载工具：ONNX Runtime（ort.InferenceSession("model.onnx")）或其他框架的转换工具	需验证框架支持的操作；可能需调整算子兼容性。
.weights	Darknet/YOLO	Darknet训练时自动生成（如YOLOv3的yolov3.weights）	Darknet模型的权重参数，需配合配置文件（.cfg）使用	加载方式：darknet.load_net("yolov3.cfg", "yolov3.weights")	无模型结构信息，必须与对应的.cfg文件匹配使用。
.bin, .safetensors	Hugging Face Transformers库	model.save_pretrained("dir")会生成pytorch_model.bin	模型权重文件，通常与配置文件（config.json）配合使用	加载方式：model.from_pretrained("dir")	.safetensors是更安全的格式（替代.bin），避免恶意代码注入。
.tflite	TensorFlow Lite	转换工具：tf.lite.TFLiteConverter.from_saved_model("model_dir").convert()	轻量化模型，适用于移动端/嵌入式设备	移动端推理：使用TensorFlow Lite的Interpreter API加载。	模型可能经过量化（精度降低但体积减小）。
.params	MXNet	net.save_parameters("model.params")	MXNet模型的权重参数	加载方式：net.load_parameters("model.params")	需预先定义网络结构再加载参数。
.joblib	scikit-learn	joblib.dump(model, "model.joblib")	序列化后的scikit-learn模型（适用于大文件）	加载方式：model = joblib.load("model.joblib")	比pickle更高效，但主要服务于传统机器学习模型，少用于神经网络。

使用场景总结：

• 训练/推理用途：.pt（PyTorch）、.h5（Keras）、.ckpt（TensorFlow）常用于训练过程中的保存与恢复。
• 跨框架部署：.onnx适合不同框架间的模型转换；.pb（TensorFlow）适合生产环境部署。
• 嵌入式/移动端：.tflite针对移动设备优化。
• 安全性优先：优先选择.safetensors替代.pkl或.bin。
• 协作与共享：.weights+.cfg（YOLO）、saved_model（目录）包含完整信息，便于团队协作。