使用torch.utils.load()从文件中加载已保存的PyTorch模型

torch.utils.load()是PyTorch中一个用于加载已保存模型的函数。它接受一个文件路径参数以及可选的device参数，并返回一个包含加载模型的Python对象。

使用torch.save()保存模型之后，我们可以使用torch.utils.load()恢复模型并进行后续操作，例如预测或微调。

以下是一个使用torch.utils.load()的示例：

import torch
import torch.nn as nn
from torchvision import models

# 定义模型
model = models.resnet50(pretrained=True)
num_classes = 10
model.fc = nn.Linear(model.fc.in_features, num_classes)

# 保存模型
torch.save(model.state_dict(), 'resnet50.pth')

# 加载模型
model = models.resnet50(pretrained=False)
model.fc = nn.Linear(model.fc.in_features, num_classes)
model.load_state_dict(torch.load('resnet50.pth', map_location=torch.device('cpu')))
model.eval()

在这个例子中，我们使用torchvision库中的预训练模型ResNet-50作为示例模型。我们首先更改模型的最后一层全连接层，以适应我们自己的任务（这里是分类10个类别）。然后，我们使用torch.save()函数将模型的状态字典保存到文件'resnet50.pth'中。

接下来，我们创建一个新的ResNet-50模型，并加载我们刚保存的模型的状态字典。为了确保在模型和数据之间进行正确的设备转换，我们可以使用map_location参数将模型加载到指定的设备。在这个例子中，我们将模型加载到CPU上。

最后，我们将模型设置为评估模式(model.eval())，以确保在推理过程中关闭模型中的一些不必要的计算，并准备进行后续操作，例如预测。

总的来说，使用torch.utils.load()函数从文件中加载已保存的PyTorch模型非常简单。我们只需要提供文件路径，并使用模型的load_state_dict()方法加载状态字典。此外，我们还可以使用map_location参数将模型加载到指定的设备上。