PyTorch保存训练好的模型的方法

在PyTorch中，有两种主要的方法可以用来保存训练好的模型。第一种方法是只保存模型的参数，也就是模型的权重和偏差。第二种方法是保存整个模型，包括模型的架构和参数。

1. 只保存模型参数：
   这种方法只保存模型的权重和偏差，不包括模型的架构。以下是具体的步骤：
   (1) 保存模型参数：
   PyTorch提供了torch.save()函数来保存模型的参数。这个函数需要两个参数，第一个参数是模型的状态字典，第二个参数是保存的文件路径。
   例如，如果要将模型参数保存在名为model.pth的文件中，可以使用以下代码：
   torch.save(model.state_dict(), 'model.pth')
   (2) 加载模型参数：
   加载模型参数需要先实例化一个与原模型架构相同的模型，然后使用load_state_dict()函数来加载模型参数。
   例如，如果要从model.pth文件中加载模型参数，可以使用以下代码：
   model = MyModel(*args, **kwargs) # 实例化模型
model.load_state_dict(torch.load('model.pth')) # 加载模型参数
   (3) 运行模型：
   加载完模型参数后，需要调用模型的.eval()方法将模型设置为评估模式，然后就可以进行推理了。
   例如：
   model.eval() # 设置模型为评估模式
output = model(input_data) # 进行推理
2. 保存整个模型：
   这种方法不仅保存模型的权重和偏差，还保存模型的架构。以下是具体的步骤：
   (1) 保存整个模型：
   PyTorch提供了torch.save()函数来保存整个模型。这个函数需要两个参数，第一个参数是整个模型，第二个参数是保存的文件路径。
   例如，如果要将整个模型保存在名为model.pth的文件中，可以使用以下代码：
   torch.save(model, 'model.pth')
   (2) 加载整个模型：
   加载整个模型只需要使用torch.load()函数，然后就可以直接使用了。
   例如，如果要从model.pth文件中加载整个模型，可以使用以下代码：
   model = torch.load('model.pth')
   (3) 运行模型：
   加载完整个模型后，就可以直接进行推理了。
   例如：
   output = model(input_data)
   总的来说，如果你只需要保存和加载模型的权重和偏差，推荐使用第一种方法。如果你还需要保存和加载模型的架构，那么可以使用第二种方法。在大多数情况下，只保存模型的参数是足够的，因为模型的架构可以在需要的时候重新创建。另外，使用第二种方法可以节省一些存储空间，因为不需要存储模型的架构信息。