PyTorch中torch.utils.load()函数的用法

PyTorch中的torch.utils.load()函数用于从文件中加载序列化的对象。该函数的常见用途之一是加载训练好的模型的权重参数，以便在测试或推理时使用。

load()函数有两个参数：

- f：要加载的文件的路径（可以是string类型的文件路径或一个打开的文件对象）

- map_location：一个函数或字典对象，用于指定加载到哪个设备上。如果是字典对象，则可以为每个键值指定特定的设备。

下面是一个使用例子：

import torch

# 定义一个模型
class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.fc = torch.nn.Linear(10, 5)
        
    def forward(self, x):
        return self.fc(x)

# 创建一个模型实例
model = Model()

# 保存模型的权重参数
torch.save(model.state_dict(), 'model.pth')

# 加载模型的权重参数
loaded_model = Model()
loaded_model.load_state_dict(torch.load('model.pth'))

在这个例子中，我们首先定义了一个简单的神经网络模型Model，然后创建了一个模型实例model。接着，我们使用torch.save()函数将模型的权重参数保存到文件model.pth中。

然后使用torch.load()函数加载文件model.pth中的权重参数，并将其应用到新创建的模型实例loaded_model上。最终，loaded_model将具有与model相同的权重参数。

可以使用map_location参数来将模型加载到特定的设备上。例如，如果模型在GPU上训练，而要在CPU上进行推理，则可以使用以下方式加载模型：

device = torch.device('cpu')
loaded_model = Model()
loaded_model.load_state_dict(torch.load('model.pth', map_location=device))

在这个例子中，我们首先定义了要加载模型的目标设备为CPU，然后传递给map_location参数。当模型从文件中加载时，PyTorch将会将模型权重参数复制到CPU上的内存中。如果不指定map_location参数，默认情况下模型将被加载到与保存时相同的设备上。

总而言之，torch.utils.load()函数在PyTorch中用于加载序列化的对象，常用于加载模型的权重参数。通过提供文件路径和可选的map_location参数，我们可以从文件中加载模型并应用到合适的设备上。