Pytorch目前成为学术界最流行的DL框架，没有之一。很大程度上，简洁直观地操作有关。模型的保存和加载，于pytorch而言，也是很简单的。本文做了一个比较实验，方便大家理解。

首先，要清楚几个函数： torch.save ， torch.load ， state_dict() ， load_state_dict() 。
先举最简单的例子：

import torch
model = torch.load('my_model.pth')
torch.save(model, 'new_model.pth')
上面的代码非常直观，一载一存。但是有一个问题，这样保存的pth文件直接包含了整个模型的结构。当你需要灵活加载模型参数时，比如只加载部分参数，那么这种情况保存的pth文件读取进来还得额外解析出“参数文件”。
 
如果想更灵活对待咱们训练好的模型参数，咱们可以使用下面这个方法。pytorch把所有的模型参数用一个内部定义的dict进行保存，自称为“state_dict”。这个所谓的state_dict就是不带模型结构的模型参数了~
 咱们的加载和保存就发生了一点微妙的变化：
 
import torch
model = MyModel() # init your model class, build the graph shape
state_dict = torch.load('model_state_dict.pth')
model.load_state_dict(state_dict)
torch.save(model.state_dict(), 'model_state_dict1.pth')
比较上面两段代码，咱们可以有一下结论：
 
pth文件既可能保存了模型的图结构，也有可能没保存；
加载没保存图结构的pth时，需要先初始化模型结构，即把架子搭好；
在保存模型的时候，如果不想保存图结构，可以单独保存model.state_dict()
 
到这里还不清楚的可以留言提问~
 参考链接：https://pytorch.org/tutorials/beginner/basics/saveloadrun_tutorial.html
 
脚本如下：
 
import torch
import torchvision.models as models
model = models.vgg16(pretrained=True)
torch.save(model.state_dict(), 'only_weights.pth')
model_state_dict = torch.load('only_weights.pth')
model1 = models.vgg16() # describe the graph shape
model1.load_state_dict(model_state_dict)
model1.eval()
torch.save(model1, 'whole_model.pth')
model2 = torch.load('whole_model.pth')
model2.eval()
# model3 = torch.load('only_weights.pth')
# model3.eval()    # Error
model3切换到eval()模式就会报错，原因是model3只包含weights而缺乏图结构~
                    Pytorch目前成为学术界最流行的DL框架，没有之一。很大程度上，简洁直观地操作有关。模型的保存和加载，于pytorch而言，也是很简单的。本文做了一个比较实验，方便大家理解。首先，要清楚几个函数：torch.save，torch.load，state_dict()，load_state_dict()。先举最简单的例子：import torchmodel = torch.load('my_model.pth')torch.save(model, 'new_model.pth')上面的代码非
 k.replace('module.',''):v for k,v in
　torch.load(config.model_path, map_location=config.device).items()
model = self.model.to(config.device)
* config.device 指定使用哪块
the_model = TheModelClass(*args, **kwargs)
the_model.load_state_dict(torch.load(PATH))
使用这种方法，我们需要自己导入模...
				
希望将训练好的模型加载到新的网络上。如上面题目所描述的，PyTorch在加载之前保存的模型参数的时候，遇到了问题。
  Unexpected key(s) in state_dict: "module.features. ...".，Expected ".features....". 直接原因是key值名字不对应。
  表明了加载过程中，期望获得的key值为feature...，而不是...
				
1.作用：用来加载torch.save()保存的模型文件。
torch.load()先在CPU上加载，不会依赖于保存模型的设备。如果加载失败，可能是因为没有包含某些设备，比如你在gpu上训练保存的模型，而在cpu上加载，可能会报错，此时，需要使用map_location来将存储动态重新映射到可选设备上，比如map_location=torch.device('cpu')，意思是映射到cpu上，在cpu上加载模型，无论你这个模型从哪里训练保存的。
一句话：map_location适用于修改模型能在gpu.
更详细的可以参考这里https://pytorch.org/docs/stable/notes/serialization.html#preserve-storage-sharing
torch.save()并torch.load()让您轻松保存和加载张量：最简单的就是
t = torch.tensor([1., 2.])
torch.save(t, 'tensor.pth')
torch.load('tensor.pth')
按照惯例，Py
				
PyTorch中保存和加载模型非常简单。你可以使用torch.save()函数将模型保存为.pth或.pkl文件，使用torch.load()函数从文件中加载模型。
以下是一个基本的示例，展示如何保存和加载一个PyTorch模型：
保存模型：
import torch
model = YourModel()
torch.save(model.state_dict(), 'model.pth')
加载模型：
import torch
model = YourModel()
model.load_state_dict(torch.load('model.pth'))
model.eval()
需要注意的是，加载模型时应该确保与保存时使用相同的代码版本、PyTorch版本和硬件设备，并且需要调用model.eval()以确保在推理过程中正确设置一些模型参数。