Pytorch：模型的加载和保存 torch.save，torch.load，torch.nn.Module.state_dict 和 torch.nn.Module.load_state_dict

在PyTorch中，模型的保存和加载是通过几个关键的函数来完成的，它们分别是 torch.save，torch.load，torch.nn.Module.state_dict 和 torch.nn.Module.load_state_dict。

torch.save

torch.save 是用于保存一个序列化对象到磁盘的函数。这个序列化对象可以是任何类型的对象，包括模型、张量和字典等。函数内部使用Python的 pickle 模块将对象进行序列化。

# object可以是模型、张量、字典等任何对象
torch.save(object, 'path_to_file.pth')

torch.load

torch.load 是用于从磁盘加载一个通过 torch.save 保存的序列化对象的函数。加载时，会根据保存的对象重新构造出原来的对象。

# 加载先前保存的对象
object = torch.load('path_to_file.pth')

torch.nn.Module.state_dict

state_dict 是模型（更确切地说是 nn.Module）的一个方法，返回模型的参数的字典。字典的键为层的名字，值为对应层的参数张量。state_dict 只包含模型的参数（卷积层、线性层等），不包含模型的结构。

# 实例化模型
model = SomeModel()

# 获取模型的参数
state_dict = model.state_dict()

# 保存模型的参数
torch.save(state_dict, 'model_state_dict.pth')

torch.nn.Module.load_state_dict

load_state_dict 是模型的一个方法，它将一个 state_dict 中的参数加载到模型中。这个方法通常与 torch.load 结合使用来恢复模型的状态。

# 实例化模型
model = SomeModel()

# 加载保存的模型的状态
state_dict = torch.load('model_state_dict.pth')

# 应用状态字典到模型中
model.load_state_dict(state_dict)

在实际使用中，我们通常先训练好一个模型，然后调用它的 state_dict 方法来获取参数字典，并将这个字典通过 torch.save 函数保存到磁盘上。在需要的时候，我们可以用 torch.load 来加载保存的参数字典，并使用 load_state_dict 来将这些参数加载到模型中。

值得注意的是，通常情况下应该只保存和加载 state_dict，而不是完整的模型。这是因为模型结构在代码中定义，只保存和加载参数可以使模型更加灵活，易于调整。此外，在跨版本或者跨环境使用时，state_dict 也更加稳定可靠。

load_state_dict

在深度学习中，load_state_dict 是用于加载模型参数的常用方法，特别是在PyTorch框架中。state_dict 是一个从参数名称映射到参数张量的字典对象。这么做的原理是将训练好的模型参数保存下来，以便之后的使用或继续训练。

当调用 load_state_dict 方法时，它会获取当前模型的所有层和对应参数，然后将传入的 state_dict 中的参数值加载到模型的各层中。这一过程中，在state_dict中的键（即参数名称）需要和当前模型中的键完全匹配，否则会触发错误。

使用 load_state_dict 的典型步骤如下：

1. 定义模型结构：首先需要有一个和原来训练时相同结构的模型。
2. 加载 state_dict：使用 torch.load 函数加载保存的模型参数。
3. 应用 state_dict：将加载的 state_dict 应用到模型上。

下面是一个基本的使用示例：

import torch
import torch.nn as nn

# 定义一个简单的模型
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(20 * 12 * 12, 500)
        self.fc2 = nn.Linear(500, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = x.view(-1, 20 * 12 * 12)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 实例化模型
model = SimpleModel()

# 加载保存的state_dict
state_dict = torch.load('model_parameters.pth')

# 应用state_dict
model.load_state_dict(state_dict)

# 现在模型已经加载了保存的参数，可以用于预测或继续训练

在上述代码中，先是定义了一个神经网络模型 SimpleModel，然后通过 torch.load 加载了一个叫做 model_parameters.pth 的文件，该文件应该是一个先前训练好并保存下来的模型的 state_dict。最后，通过调用 load_state_dict 方法，将参数加载到定义好的模型中。

要注意的是，加载的 state_dict 必须与模型的结构严格对应。如果结构不一致，你会收到一个错误，指出无法匹配的键值。此外，load_state_dict 方法默认会严格执行键值匹配，但你可以设置 strict=False 以便在参数部分匹配时也能加载模型。