了解PyTorch中的torch.utils.load()函数

PyTorch中的torch.utils.load()函数用于从磁盘加载序列化的对象。它接受一个参数f，该参数指定从中加载对象的文件路径。返回值是加载的对象。

以下是torch.utils.load()函数的使用例子：

import torch

# 定义一个Tensor对象
x = torch.tensor([1, 2, 3, 4, 5])

# 将Tensor对象保存到文件
torch.save(x, 'tensor.pt')

# 从文件加载Tensor对象
loaded_tensor = torch.load('tensor.pt')

# 打印加载的Tensor对象
print(loaded_tensor)

在这个例子中，我们首先创建了一个PyTorch Tensor对象x。然后，我们使用torch.save()函数将Tensor对象保存到名为"tensor.pt"的文件中。接下来，我们使用torch.load()函数从文件中加载Tensor对象，并将其存储在loaded_tensor变量中。最后，我们使用print()函数打印加载的Tensor对象。

需要注意的是，torch.utils.load()函数会自动推断出要加载的对象的类型。这意味着无需事先指定要加载的对象的类型。在上述示例中，load()函数会自动推断出要加载的是Tensor对象。

另外，torch.utils.load()函数还可以加载其他序列化的PyTorch对象，比如模型、字典等。只需将要加载的对象保存到文件，然后使用torch.load()函数加载即可。

import torch
import torch.nn as nn

# 定义一个简单的神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(10, 5)

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

# 创建模型实例
model = Net()

# 将模型保存到文件
torch.save(model, 'model.pt')

# 从文件加载模型
loaded_model = torch.load('model.pt')

# 打印加载的模型
print(loaded_model)

在这个例子中，我们首先定义了一个简单的神经网络模型Net，包含一个线性层fc。然后，我们创建模型实例model。使用torch.save()函数将模型保存到名为"model.pt"的文件中。接下来，我们使用torch.load()函数从文件中加载模型，并将其存储在loaded_model变量中。最后，我们使用print()函数打印加载的模型。需要注意的是，加载的模型可以直接用于预测或进行其他操作。

综上所述，torch.utils.load()函数是一个非常有用的函数，可以帮助我们从磁盘加载序列化的PyTorch对象，如Tensor、模型等。它非常方便和灵活，使得在PyTorch中保存和加载对象变得十分简单。