训练好一个模型之后，我们往往要对其进行保存，除非下次用时想再次训练一遍。

下面以一个简单的回归任务来详细讲解模型的保存和加载。

来看这样一组数据：

x=torch.linspace(-1,1,50)x=x.view(50,1)y=x.pow(2)+0.3*torch.rand(50).view(50,1)

画图：

plt.scatter(x.numpy(),y.numpy())

很显然，x与y基本呈二次函数关系，那么接下来我们就来拟合整个函数。

import torchimport matplotlib.pyplot as pltimport torch.nn as nnimport torch.optim as optim

x=torch.linspace(-1,1,50)x=x.view(50,1)y=x.pow(2)+0.3*torch.rand(50).view(50,1)net1=nn.Sequential(nn.Linear(1,10),                  nn.ReLU(),                  nn.Linear(10,1))criterion=nn.MSELoss()optimizer=optim.SGD(net1.parameters(),lr=0.2)#训练模型for i in range(1000):    pred=net1(x)    loss=criterion(pred,y)    optimizer.zero_grad()    loss.backward()    optimizer.step()
#测试模型net1.eval()with torch.no_grad():    y1=net1(x)    plt.plot(x.numpy(),y1.numpy(),'r-')    plt.scatter(x.numpy(),y.numpy())

结果似乎不错！

这里我们得到了一个网络net1，它可以被当作一个二次函数，用于描述之前的x，y数据的关系。

得到这个网络后，我们想保存它，主要有两种方式：

1，保存整个网络，包括训练后的各个层的参数

​​​​​​​

#保存整个网络，包括训练后的各个层的参数torch.save(net1,'net1weight.pkl')

2，只保存训练好的网络的参数，速度更快

​​​​​​​

#只保存训练好的网络的参数，速度更快torch.save(net1.state_dict(),'net1_params.pkl')

假设我们按第一种方式保存，那么下次想要使用次网络时需要这样做：

network=torch.load('net1weight.pkl')

#测试模型network.eval()with torch.no_grad():    y1=network(x)    plt.plot(x.numpy(),y1.numpy(),'b-')    plt.scatter(x.numpy(),y.numpy())

假设我们按第二种方式保存，那么下次想要使用次网络时需要这样做：

network=nn.Sequential(nn.Linear(1,10),                  nn.ReLU(),                  nn.Linear(10,1))network.load_state_dict(torch.load('net1_params.pkl'))​​​​​​​

#测试模型network.eval()with torch.no_grad():    y1=network(x)    plt.plot(x.numpy(),y1.numpy(),'g-')    plt.scatter(x.numpy(),y.numpy())

可以看出，第二次首先需要构造出一个一模一样的模型，接着再导入参数即可。当然，这只是个简单的回归模型，其它模型保存与加载同样如此。

总结一下：

模型保存与导入有两种方式：

方式一：​​​​​​​

#模型保存torch.save(net1,'net1weight.pkl')#模型导入network=torch.load('net1weight.pkl')

方式二：​​​​​​​

#模型保存torch.save(net1.state_dict(),'net1_params.pkl')#模型导入network.load_state_dict(torch.load('net1_params.pkl'))