模型文件.pt，.pth，.checkpoint里面是什么内容，怎样查看这些内容？

.pt文件

.pt 文件是 PyTorch 的模型文件，用于保存模型的权重、结构或者两者兼有。这些文件可以包含以下内容之一：

1. 仅模型权重（state_dict）：保存模型的参数（权重和偏置）。
2. 完整模型：包括模型的结构和权重（通常是通过 JIT 编译保存的 TorchScript 模型）。
3. 其它对象：如优化器状态、训练状态等。

查看和加载 .pt 文件的内容可以通过以下方法进行：

1. 仅模型权重（state_dict）

如果 .pt 文件保存的是模型的权重，可以使用 torch.load 加载它，并查看包含的键和值：

import torch

# 假设文件名为 'model_weights.pt'
state_dict = torch.load('model_weights.pt')

# 打印 state_dict 中的键
print(state_dict.keys())

# 查看某个具体键的内容
print(state_dict['some_layer.weight'])

2. 完整模型（TorchScript 模型）

如果 .pt 文件保存的是通过 TorchScript 编译的完整模型，可以使用 torch.jit.load 加载它，并查看模型结构：

import torch

# 假设文件名为 'model_scripted.pt'
model = torch.jit.load('model_scripted.pt')

# 打印模型结构
print(model)

# 进行前向传递
dummy_input = torch.randn(1, 3, 224, 224)  # 假设输入是图像
output = model(dummy_input)
print(output)

3. 其它对象

有时 .pt 文件可能包含多个对象，例如模型和优化器的状态。可以使用 torch.load 加载并查看：

import torch

# 假设文件名为 'checkpoint.pt'
checkpoint = torch.load('checkpoint.pt')

# 打印 checkpoint 中的键
print(checkpoint.keys())

# 加载模型权重和优化器状态
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])

示例：查看 .pt 文件内容

假设你有一个 .pt 文件，名为 example_model.pt，你可以使用以下代码加载并查看其内容：

import torch

# 加载 .pt 文件
content = torch.load('example_model.pt')

# 检查内容类型
if isinstance(content, dict):
    # 打印字典中的键
    print("Keys in the checkpoint:", content.keys())

    # 假设它包含模型的 state_dict
    if 'model_state_dict' in content:
        model_state_dict = content['model_state_dict']
        print("Model state dict keys:", model_state_dict.keys())
    
    # 假设它包含优化器的 state_dict
    if 'optimizer_state_dict' in content:
        optimizer_state_dict = content['optimizer_state_dict']
        print("Optimizer state dict keys:", optimizer_state_dict.keys())
else:
    # 如果内容是一个模型
    print(content)

总结

通过上述方法，可以查看和理解 .pt 文件的内容，并根据需要加载和使用这些内容。通常情况下，文件中会包含模型的权重或完整模型，以及其它训练相关的信息，这些都可以通过 torch.load 或 torch.jit.load 进行加载和查看。

.pth和.checkpoint文件

.pth 和 .checkpoint 文件与 .pt 文件类似，通常用于保存和加载 PyTorch 模型及其相关信息。具体来说：

• .pth 文件通常用于保存和加载模型的权重。
• .checkpoint 文件通常用于保存训练检查点，包括模型的权重、优化器状态、训练进度等。

查看和加载 .pth 文件

.pth 文件通常保存模型的权重（state_dict）。你可以使用 torch.load 加载这些权重，然后将其加载到模型中：

import torch
import torch.nn as nn

# 定义你的模型结构
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc = nn.Linear(10, 1)

    def forward(self, x):
        return self.fc(x)

# 加载模型权重
model = MyModel()
model.load_state_dict(torch.load('model.pth'))

# 现在可以使用模型进行推理
model.eval()
dummy_input = torch.randn(1, 10)
output = model(dummy_input)
print(output)

查看和加载 .checkpoint 文件

.checkpoint 文件通常包含更多的信息，比如模型权重、优化器状态、训练进度等。你可以使用 torch.load 加载它们，并提取需要的信息：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义你的模型结构
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc = nn.Linear(10, 1)

    def forward(self, x):
        return self.fc(x)

# 加载检查点
checkpoint = torch.load('model.checkpoint')

# 创建模型和优化器
model = MyModel()
optimizer = optim.SGD(model.parameters(), lr=0.001)

# 加载模型权重和优化器状态
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])

# 加载训练进度
epoch = checkpoint['epoch']
loss = checkpoint['loss']

# 打印检查点中的信息
print(f"Checkpoint loaded: Epoch {epoch}, Loss {loss}")

# 继续训练或推理
model.eval()
dummy_input = torch.randn(1, 10)
output = model(dummy_input)
print(output)

示例：保存和加载 .checkpoint 文件

保存一个训练检查点的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型结构
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc = nn.Linear(10, 1)

    def forward(self, x):
        return self.fc(x)

# 创建模型和优化器
model = MyModel()
optimizer = optim.SGD(model.parameters(), lr=0.001)

# 模拟训练过程
num_epochs = 5
for epoch in range(num_epochs):
    # 假设我们计算了一些损失
    loss = torch.tensor(epoch * 0.1)

    # 保存检查点
    checkpoint = {
        'epoch': epoch,
        'model_state_dict': model.load_state_dict(),
        'optimizer_state_dict': optimizer.state_dict(),
        'loss': loss,
    }
    torch.save(checkpoint, f'model_epoch_{epoch}.checkpoint')

    print(f"Checkpoint saved for epoch {epoch}")

总结

• .pth 文件通常用于保存模型的权重，可以使用 torch.load 加载并应用到模型中。
• .checkpoint 文件通常用于保存训练检查点，包含模型权重、优化器状态和训练进度等信息。

通过这些示例和解释，你可以查看和加载 .pth 和 .checkpoint 文件的内容，并在需要时恢复模型和训练状态。