文章目录
- 1 使用现有网络
- 2 修改网络结构
- 2.1 添加新层
- 2.2 替换现有层
- 3 保存网络模型
- 3.1 完整保存
- 3.2 参数保存（推荐）
- 4 加载网络模型
- 4.1 加载完整模型文件
- 4.2 加载参数文件
- 5 Checkpoint
- 5.1 保存 Checkpoint
- 5.2 加载 Checkpoint
本文环境：
- Pycharm 2025.1
- Python 3.12.9
- Pytorch 2.6.0+cu124
PyTorch 通过torchvision.models提供预训练模型（如 VGG16）。
网址链接：https://docs.pytorch.org/vision/stable/models.html。
1 使用现有网络
以 VGG16 为例，进入网址：https://docs.pytorch.org/vision/stable/models/generated/torchvision.models.vgg16.html#torchvision.models.vgg16。
方法一：使用随机初始化权重
将 weights 设置为 None，从 0 开始训练自己的网络。
vgg16_false = torchvision.models.vgg16(weights=None) # 权重随机初始化
方法二：加载预训练权重
也可以使用预训练好的网络参数，加载后可直接使用网络。
这将从官网上下载已训练好的模型文件。
vgg16_true = torchvision.models.vgg16(weights=torchvision.models.VGG16_Weights.IMAGENET1K_V1)
可打印网络查看其模型结构：
print(vgg16_true)
2 修改网络结构
2.1 添加新层
使用add_module在分类器（classifier）后追加全连接层：
vgg16_true.classifier.add_module('add_linear', nn.Linear(1000, 10))
2.2 替换现有层
直接修改分类器的最后一层（如适配 CIFAR10 的 10 分类任务）：
vgg16_false.classifier[6] = nn.Linear(4096, 10) # 替换第6层
3 保存网络模型
使用torch.save()方法保存网络模型。文件扩展名推荐使用.pt或.pth。
3.1 完整保存
将模型类和参数一并保存到文件中。
torch.save(vgg16, 'vgg16_method1.pth') # 包含模型类和参数
- 优点：加载时无需重新定义模型结构。
- 缺点：文件较大，且依赖原始代码环境（见 4.1 节）。
3.2 参数保存（推荐）
仅保存参数字典到文件中。
torch.save(vgg16.state_dict(), 'vgg16_method2.pth') # 仅保存参数字典
- 优点：文件小，灵活性强，适合生产部署。
示例
import torch
import torchvision.models
from torch import nnvgg16 = torchvision.models.vgg16(weights=None)# 保存方式 1，模型结构 + 模型参数
torch.save(vgg16, 'vgg16_method1.pth')# 保存方式 2，模型参数（官方推荐）
torch.save(vgg16.state_dict(), 'vgg16_method2.pth')
4 加载网络模型
使用torch.load()方法加载网络模型。
4.1 加载完整模型文件
加载完整模型时，需将 weights_only 参数设置为 False。
model = torch.load('vgg16_method1.pth', weights_only=False) # 需确保模型类已定义
模型打印结果如下：
print(model)
注意
若保存自定义模型，加载时必须确保环境中也有该模型的定义，否则会出现报错。
model_save.py
# model_save.pyimport torch from torch import nnclass MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()self.conv1 = nn.Conv2d(3, 64, 3)def forward(self, x):return self.conv1(x)model = MyModel() torch.save(model, 'my_model_method1.pth')model_load.py
import torchmodel = torch.load('my_model_method1.pth', weights_only=False) # 报错，找不到 MyModel 的定义先运行 model_save.py，再运行 model_load.py，则会出现以下报错：
4.2 加载参数文件
首先，使用torch.load()方法加载网络模型。
使用模型时，需先创建匹配的网络结构，再使用model.load_state_dict()加载参数数据。
vgg16 = torchvision.models.vgg16(weights=None)
model_dict = torch.load('vgg16_method2.pth')
vgg16.load_state_dict(model_dict) # 需结构匹配
模型打印结果是参数字典：
print(model_dict)
注意
模型保存时若在 GPU 上，加载时需指定 map_location 为 cup。
torch.load('model.pth', map_location=torch.device('cpu')) 将参数加载到模型后，手动迁移到 GPU：
model = MyModel() model.load_state_dict(model_dict) model.to('cuda:0')
5 Checkpoint
使用 Checkpoint 可以在训练过程中定期保存模型的状态，以便在中断后可以恢复训练，或者在测试时使用最终的模型。文件扩展名推荐使用.tar。
5.1 保存 Checkpoint
要保存一个模型的 Checkpoint，通常需要保存以下数据：
- 模型的 state_dict（状态字典）；
- 优化器的状态；
- 额外的信息，如 epoch 等。
import torch# 假设 model 是你的模型，optimizer 是你的优化器
checkpoint = {'epoch': epoch,'model_state_dict': model.state_dict(),'optimizer_state_dict': optimizer.state_dict(),'loss': loss
}# 保存checkpoint
torch.save(checkpoint, 'checkpoint.tar')
5.2 加载 Checkpoint
加载 Checkpoint，首先需要加载文件，然后将其内容恢复到模型和优化器的状态中。
# 假设 model 和 optimizer 是你的模型和优化器实例
checkpoint = torch.load('checkpoint.tar')model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
epoch = checkpoint['epoch']
loss = checkpoint['loss']# 如果需要，可以继续训练
model.train() # 确保模型处于训练模式
(A-D))
