利用torch.utils.load()加载预训练的PyTorch模型

torch.utils.load()函数用于加载预训练的PyTorch模型。它可以从指定的文件路径加载训练好的模型，并返回一个包含模型权重和其他相关信息的Python对象。加载预训练模型后，你可以使用这个对象进行推理、微调或进一步的训练。

下面有一个简单的例子，演示了如何使用torch.utils.load()加载预训练的PyTorch模型。

首先，假设我们已经训练好了一个用于图像分类的模型，并将其保存在文件model.pt中。

import torch
import torch.nn as nn
import torchvision.models as models
import torch.utils.model_zoo as model_zoo

# 创建一个简单的模型并保存
model = models.resnet18(pretrained=True)
torch.save(model, 'model.pt')

接下来，我们可以使用torch.utils.load()来加载模型。具体步骤如下：

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

# 打印模型结构
print(loaded_model)

输出将类似于：

ResNet(
  (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
  ...
  (fc): Linear(in_features=512, out_features=1000, bias=True)
)

可以看到，加载的模型是一个ResNet模型，具有相应的卷积层和全连接层。

加载的模型可以直接用于推理。下面是一个示例，将一张图片输入到模型中，获取预测结果：

import torchvision.transforms as transforms
from PIL import Image

# 加载图像并进行预处理
image = Image.open('image.jpg')
preprocess = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
input_tensor = preprocess(image)
input_batch = input_tensor.unsqueeze(0)

# 将图像输入模型，并进行推理
with torch.no_grad():
    loaded_model.eval()  # 设置为评估模式
    output = loaded_model(input_batch)

# 获取预测结果
probabilities = nn.functional.softmax(output[0], dim=0)

在这个例子中，我们首先使用PIL库加载一张图片，并使用torchvision.transforms中的预处理函数将其转换为模型所需的张量格式。然后，我们将处理后的图像输入到加载的模型中，通过softmax函数获取了预测的概率分布。

这只是一个简单的例子，展示了如何使用torch.utils.load()加载预训练的PyTorch模型。实际上，根据具体的任务和模型结构，你可能需要进行更多的操作，比如微调模型参数、修改模型结构等。