神经网络训练后我们需要将模型进行保存，要用的时候将保存的模型进行加载，PyTorch 中保存和加载模型主要分为两类：保存加载整个模型和只保存加载模型参数。
一、保存加载模型基本用法
1、保存加载整个模型
保存整个网络模型（网络结构+权重参数）。
torch.save(model, 'net.pkl')
直接加载整个网络模型（可能比较耗时）。
model = torch.load('net.pkl')
2、只保存加载模型参数
只保存模型的权重参数（速度快，占内存少）。
torch.save(model.state_dict(), 'net_params.pkl')
因为我们只保存了模型的参数，所以需要先定义一个网络对象，然后再加载模型参数。
# 构建一个网络结构
model = ClassNet()
# 将模型参数加载到新模型中
state_dict = torch.load('net_params.pkl')
model.load_state_dict(state_dict)
保存模型进行推理测试时，只需保存训练好的模型的权重参数，即推荐第二种方法。
主要用法就是上面这些，接下来讲一下PyTorch中保存加载模型内部的一些原理，以及我们可能会遇到的一些特殊的需求。
二、保存加载自定义模型
上面保存加载的 net.pkl 其实一个字典，通常包含如下内容：
- 网络结构：输入尺寸、输出尺寸以及隐藏层信息，以便能够在加载时重建模型。
- 模型的权重参数：包含各网络层训练后的可学习参数，可以在模型实例上调用
state_dict()方法来获取，比如前面介绍只保存模型权重参数时用到的model.state_dict()。 - 优化器参数：有时保存模型的参数需要稍后接着训练，那么就必须保存优化器的状态和所其使用的超参数，也是在优化器实例上调用
state_dict()方法来获取这些参数。 - 其他信息：有时我们需要保存一些其他的信息，比如
epoch，batch_size等超参数。
知道了这些，那么我们就可以自定义需要保存的内容，比如：
# saving a checkpoint assuming the network class named ClassNet
checkpoint = {'model': ClassNet(),
'model_state_dict': model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
'epoch': epoch}
torch.save(checkpoint, 'checkpoint.pkl')
上面的 checkpoint 是个字典，里面有4个键值对，分别表示网络模型的不同信息。
然后我们要加载上面保存的自定义的模型：
def load_checkpoint(filepath):
checkpoint = torch.load(filepath)
model = checkpoint['model'] # 提取网络结构
model.load_state_dict(checkpoint['model_state_dict']) # 加载网络权重参数
optimizer = TheOptimizerClass()
optimizer.load_state_dict(checkpoint['optimizer_state_dict']) # 加载优化器参数
for parameter in model.parameters():
parameter.requires_grad = False
model.eval()
return model
model = load_checkpoint('checkpoint.pkl')
如果加载模型只是为了进行推理测试，则将每一层的 requires_grad 置为 False，即固定这些权重参数；还需要调用 model.eval() 将模型置为测试模式，主要是将 dropout 和 batch normalization 层进行固定，否则模型的预测结果每次都会不同。
如果希望继续训练，则调用 model.train()，以确保网络模型处于训练模式。
state_dict() 也是一个Python字典对象，model.state_dict() 将每一层的可学习参数映射为参数矩阵，其中只包含具有可学习参数的层(卷积层、全连接层等)。
比如下面这个例子：
# Define model
class TheModelClass(nn.Module):
def __init__(self):
super(TheModelClass, self).__init__()
self.conv1 = nn.Conv2d(3, 8, 5)
self.bn = nn.BatchNorm2d(8)
self.conv2 = nn.Conv2d(8, 16, 5)
self.pool = nn.MaxPool2d(2, 2)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.bn(x)
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
# Initialize model
model = TheModelClass()
# Initialize optimizer
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
print("Model's state_dict:")
for param_tensor in model.state_dict():
print(param_tensor, "\t", model.state_dict()[param_tensor].size())
print("Optimizer's state_dict:")
for var_name in optimizer.state_dict():
print(var_name, "\t", optimizer.state_dict()[var_name])
输出为：
Model's state_dict:
conv1.weight torch.Size([8, 3, 5, 5])
conv1.bias torch.Size([8])
bn.weight torch.Size([8])
bn.bias torch.Size([8])
bn.running_mean torch.Size([8])
bn.running_var torch.Size([8])
bn.num_batches_tracked torch.Size([])
conv2.weight torch.Size([16, 8, 5, 5])
conv2.bias torch.Size([16])
fc1.weight torch.Size([120, 400])
fc1.bias torch.Size([120])
fc2.weight torch.Size([10, 120])
fc2.bias torch.Size([10])
Optimizer's state_dict:
state {}
param_groups [{'lr': 0.001, 'momentum': 0.9, 'dampening': 0, 'weight_decay': 0, 'nest
可以看到 model.state_dict() 保存了卷积层，BatchNorm层和最大池化层的信息；而 optimizer.state_dict() 则保存的优化器的状态和相关的超参数。
三、跨设备保存加载模型
1、在 CPU 上加载在 GPU 上训练并保存的模型（Save on GPU, Load on CPU）：
device = torch.device('cpu')
model = TheModelClass()
# Load all tensors onto the CPU device
model.load_state_dict(torch.load('net_params.pkl', map_location=device))
map_location：a function, torch.device, string or a dict specifying how to remap storage locations
令 torch.load() 函数的 map_location 参数等于 torch.device('cpu') 即可。 这里令 map_location 参数等于 'cpu' 也同样可以。
2、在 GPU 上加载在 GPU 上训练并保存的模型（Save on GPU, Load on GPU）：
device = torch.device("cuda")
model = TheModelClass()
model.load_state_dict(torch.load('net_params.pkl'))
model.to(device)
在这里使用 map_location 参数不起作用，要使用 model.to(torch.device("cuda")) 将模型转换为CUDA优化的模型。
还需要对将要输入模型的数据调用 data = data.to(device)，即将数据从CPU转移到GPU。请注意，调用 my_tensor.to(device) 会返回一个 my_tensor 在 GPU 上的副本，它不会覆盖 my_tensor。因此需要手动覆盖张量：my_tensor = my_tensor.to(device)。
3、在 GPU 上加载在 GPU 上训练并保存的模型（Save on CPU, Load on GPU）
device = torch.device("cuda")
model = TheModelClass()
model.load_state_dict(torch.load('net_params.pkl', map_location="cuda:0"))
model.to(device)
当加载包含GPU tensors的模型时，这些tensors 会被默认加载到GPU上，不过是同一个GPU设备。
当有多个GPU设备时，可以通过将 map_location 设定为 *cuda:device_id* 来指定使用哪一个GPU设备，上面例子是指定编号为0的GPU设备。
其实也可以将 torch.device("cuda") 改为 torch.device("cuda:0") 来指定编号为0的GPU设备。
最后调用 model.to(torch.device('cuda')) 来将模型的tensors转换为 CUDA tensors。
下面是PyTorch官方文档上的用法，可以进行参考：
>>> torch.load('tensors.pt')
# Load all tensors onto the CPU
>>> torch.load('tensors.pt', map_location=torch.device('cpu'))
# Load all tensors onto the CPU, using a function
>>> torch.load('tensors.pt', map_location=lambda storage, loc: storage)
# Load all tensors onto GPU 1
>>> torch.load('tensors.pt', map_location=lambda storage, loc: storage.cuda(1))
# Map tensors from GPU 1 to GPU 0
>>> torch.load('tensors.pt', map_location={'cuda:1':'cuda:0'})
四、CUDA 的用法
在PyTorch中和GPU相关的几个函数：
import torch
# 判断cuda是否可用；
print(torch.cuda.is_available())
# 获取gpu数量；
print(torch.cuda.device_count())
# 获取gpu名字；
print(torch.cuda.get_device_name(0))
# 返回当前gpu设备索引，默认从0开始；
print(torch.cuda.current_device())
# 查看tensor或者model在哪块GPU上
print(torch.tensor([0]).get_device())
我的电脑输出为：
True
1
GeForce RTX 2080 Ti
0
有时我们需要把数据和模型从cpu移到gpu中，有以下两种方法：
use_cuda = torch.cuda.is_available()
# 方法一：
if use_cuda:
data = data.cuda()
model.cuda()
# 方法二：
device = torch.device("cuda" if use_cuda else "cpu")
data = data.to(device)
model.to(device)
个人比较习惯第二种方法，可以少一个 if 语句。而且该方法还可以通过设备号指定使用哪个GPU设备，比如使用0号设备：
device = torch.device("cuda:0" if use_cuda else "cpu")
282
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
