利用torch.utils.load()加载已训练的PyTorch模型的步骤

加载已训练的PyTorch模型可以使用torch.utils.load()函数。这个函数可以加载包含模型权重、架构和参数的.pth文件。下面是加载已训练模型的步骤和一个使用例子：

步骤1：导入必要的库

首先，我们需要导入必要的PyTorch库。

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader

步骤2：定义模型架构

在加载已训练模型之前，我们需要定义和构建与已训练模型相同的模型架构。

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)

    def forward(self, x):
        x = self.fc1(x)
        x = self.fc2(x)
        return x

model = MyModel()

在这个例子中，我们定义了一个简单的两层全连接神经网络作为模型架构。你需要根据你的模型架构定义你自己的模型类。

步骤3：加载已训练的模型

使用torch.utils.load()函数来加载已训练模型。这个函数会返回一个包含模型权重、架构和参数的字典，我们可以取其中的模型权重，然后将其加载到我们之前定义的模型中。

checkpoint = torch.load("model.pth")
model.load_state_dict(checkpoint["model_state_dict"])

在这个例子中，我们通过torch.load()函数加载名为"model.pth"的.pth文件，这个文件包含了我们已训练的模型。我们可以使用model.load_state_dict()函数将返回的模型权重加载到我们之前定义的模型中。

步骤4：使用已训练模型进行预测

现在，我们可以使用已训练模型进行预测了。我们可以传入输入数据到模型的forward()函数中，然后获取模型输出作为预测结果。

model.eval()  # 设置模型为评估模式
input_data = torch.randn(1, 10)  # 创建一个随机输入数据
output = model(input_data)  # 使用模型进行预测
print(output)

在这个例子中，我们首先使用model.eval()函数将模型设置为评估模式，然后创建了一个随机的1x10的输入数据。我们将输入数据传入模型的forward()函数中，并得到了模型的输出。最后，我们将输出打印出来。

这就是加载已训练的PyTorch模型的步骤和一个使用例子。你可以根据自己的模型进行相应的调整和修改。记得保存.pth文件时确保包含了模型的权重、架构和参数信息。