評價此頁
★ ★ ★ ★ ★
beginner/basics/saveloadrun_tutorial

注意

轉到末尾 以下載完整的示例程式碼。

學習基礎知識 || 快速入門 || 張量 || 資料集和資料載入器 || 變換 || 構建模型 || 自動求導 || 最佳化 || 儲存與載入模型

儲存和載入模型#

建立日期：2021年02月09日 | 最後更新：2025年09月25日 | 最後驗證：2024年11月05日

在本節中，我們將探討如何透過儲存、載入和執行模型預測來持久化模型狀態。

import torch
import torchvision.models as models

儲存和載入模型權重#

PyTorch 模型將其學習到的引數儲存在一個內部狀態字典中，稱為 state_dict。可以使用 torch.save 方法將它們持久化。

model = models.vgg16(weights='IMAGENET1K_V1')
torch.save(model.state_dict(), 'model_weights.pth')

Downloading: "https://download.pytorch.org/models/vgg16-397923af.pth" to /var/lib/ci-user/.cache/torch/hub/checkpoints/vgg16-397923af.pth

  0%|          | 0.00/528M [00:00<?, ?B/s]
  8%|▊         | 40.2M/528M [00:00<00:01, 421MB/s]
 16%|█▌        | 82.0M/528M [00:00<00:01, 430MB/s]
 24%|██▎       | 125M/528M [00:00<00:00, 440MB/s]
 32%|███▏      | 168M/528M [00:00<00:00, 444MB/s]
 40%|████      | 211M/528M [00:00<00:00, 447MB/s]
 48%|████▊     | 254M/528M [00:00<00:00, 448MB/s]
 56%|█████▋    | 298M/528M [00:00<00:00, 449MB/s]
 65%|██████▍   | 341M/528M [00:00<00:00, 450MB/s]
 73%|███████▎  | 384M/528M [00:00<00:00, 451MB/s]
 81%|████████  | 427M/528M [00:01<00:00, 452MB/s]
 89%|████████▉ | 470M/528M [00:01<00:00, 452MB/s]
 97%|█████████▋| 514M/528M [00:01<00:00, 452MB/s]
100%|██████████| 528M/528M [00:01<00:00, 448MB/s]

要載入模型權重，您需要先建立一個同模型的例項，然後使用 load_state_dict() 方法載入引數。

在下面的程式碼中，我們將 weights_only 設定為 True，以將反序列化期間執行的函式限制為僅載入權重所必需的函式。在載入權重時，將 weights_only 設定為 True 被認為是最佳實踐。

model = models.vgg16() # we do not specify ``weights``, i.e. create untrained model
model.load_state_dict(torch.load('model_weights.pth', weights_only=True))
model.eval()

VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
  )
)

注意

在進行推理之前，請務必呼叫 model.eval() 方法以將 dropout 和 batch normalization 層設定為評估模式。否則將導致不一致的推理結果。

儲存和載入帶形狀的模型#

在載入模型權重時，我們需要先例項化模型類，因為類定義了網路的結構。如果我們想將此類的結構與模型一起儲存，那麼我們可以將 model（而不是 model.state_dict()）傳遞給儲存函式。

torch.save(model, 'model.pth')

然後，我們可以按照下面的方法載入模型。

如 儲存和載入 torch.nn.Modules 中所述，儲存 state_dict 被認為是最佳實踐。但是，我們在下面使用了 weights_only=False，因為這涉及到載入模型，這是 torch.save 的一個遺留用例。

model = torch.load('model.pth', weights_only=False)

注意

此方法在序列化模型時使用 Python 的 pickle 模組，因此它依賴於在載入模型時可用實際的類定義。

在此頁面上
PyTorch 庫