一、模型的保存

方式1:torch.save(vgg16, “vgg16_method1.pth”)

import torch
import torchvision.models

vgg16 = torchvision.models.vgg16(pretrained=False)
torch.save(vgg16, "vgg16_method1.pth")

如果运行报错：UserWarning: Arguments other than a weight enum or None for 'weights' are deprecated since 0.13 and may be removed in the future. The current behavior is equivalent to passing weights=None或者The parameter ‘pretrained‘ is deprecated since 0.13 and may be removed in the future

原因是在 PyTorch 的 torchvision 库中，从版本 0.13 开始，pretrained 参数已经被弃用，取而代之的是 weights 参数。这个改变是为了提供更丰富的预训练模型选择。当你尝试使用 vgg16(pretrained=False) 时，你收到了一个警告，告诉你 pretrained 参数已经不再被使用，并且建议你使用 weights 参数。

要解决这个问题，你应该使用 weights 参数来代替 pretrained。

修正代码：

import torch
import torchvision.models

vgg16 = torchvision.models.vgg16(weights=torchvision.models.VGG16_Weights.DEFAULT)
torch.save(vgg16, "vgg16_method1.pth")

运行代码：

可以看到多了一个新文件vgg16_method1.pth

该方式1保存的网路模型不仅保存了网络模型的一种结构，它也保存了模型当中的一些参数

方式2：把模型的参数保存成字典（dict）形式

import torch
import torchvision.models

vgg16 = torchvision.models.vgg16(weights=torchvision.models.VGG16_Weights.DEFAULT)
torch.save(vgg16.state_dict(),"vgg16_method2.pth")

运行结果：

方式1与方式2对比：

方式1保存的是模型的结构+模型的参数，方式2保存的只是模型的参数（官方推荐的保存方式）

官方推荐的原因是当保存一个大的模型时候，方式2所用的空间更小

我们可以查看一下两种保存方式的文件大小：

因为vgg这个模型本身就不大，所以文件大小差距并不明显，但方式2足足小了7kb！要是在大模型下节省空间这点会尤其明显。

二、文件的加载

代码：

import torch

model = torch.load("vgg16_method1.pth")
print(model)

运行结果：

通过将save与load的文件debug运行：

能够发现两者都是一样的，说明被完整加载出来。

通过上述步骤可以看到模型中的参数也一同保存下来了。

加载方式2保存的模型：

import torch

model = torch.load("vgg16_method2.pth")
print(model)

运行结果：

可以看到方式2形式是一个个字典形式.

方式2从字典形式想要恢复网络模型结构则需要：

import torch
import torchvision

# 创建一个VGG16模型实例，参数pretrained=False表示不加载预训练的权重。
vgg16 = torchvision.models.vgg16(pretrained=False)

# 加载之前保存的模型权重，这些权重保存在名为"vgg16_method2.pth"的文件中。
vgg16.load_state_dict(torch.load("vgg16_method2.pth"))

# 打印出模型的结构，这样可以看到模型的各个层和参数。
print(vgg16)

运行结果：

可以看到把模型参数成功加载出来了

三、模型加载时容易犯的陷阱

保存一个自己写的网络模型：

import torch
import torchvision.models
from torch import nn


class Sen(nn.Module):
    def __init__(self):
        super(Sen, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3)

    def forward(self, x):
        x = self.conv1(x)
        return x

sen = Sen()
torch.save(sen, "sen_method1.pth")

运行结果：

因为用方式1进行保存，故使用方式1的方法进行加载：

import torch
import torchvision

model = torch.load("sen_method1.pth")
print(model)

运行结果：

可以看到发生了报错，报错的意思是加载的时候没有找到Sen这个类

解决方法是将类复制到加载代码中：

import torch
import torchvision

class Sen(nn.Module):
    def __init__(self):
        super(Sen, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3)

    def forward(self, x):
        x = self.conv1(x)
        return x

model = torch.load("sen_method1.pth")
print(model)

注意不需要写sen = Sen()这一代码

运行代码：

也就是用自己写的网络模型不同于现有的网络模型，需要进行导入才能正常加载出来！

或者也可以用import的方法加载自己写的网络模型，那么就不需要老是复制粘贴

通过from model_save import *加载：

import torch
from model_save import *

model = torch.load("sen_method1.pth")
print(model)

运行结果：