使用torch.utils.load()将事先训练好的模型加载到PyTorch中的步骤

要使用torch.utils.load()将事先训练好的模型加载到PyTorch中，需要按照以下步骤进行：

1. 定义模型的结构和参数：首先，需要定义一个和事先训练好的模型结构相同的网络模型，并将其实例化。确保模型的参数和预训练模型的参数具有相同的尺寸和顺序。这可以通过在torch.nn.Module中编写一个类来完成。

import torch
import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        # 定义模型结构

    def forward(self, x):
        # 定义前向传播过程
        return x

# 实例化模型
model = MyModel()

2. 加载预训练模型的参数： 使用torch.utils.load()函数，加载已经预训练好的模型的参数。需要指定预训练好的模型的路径，并将其加载到刚刚定义的模型中。

# 加载预训练模型的参数
model.load_state_dict(torch.load('pretrained_model.pth'))

3. 设置模型的运行模式：若预训练模型是在训练模式下保存的，需要将模型切换到评估模式。 这是因为在评估或测试模式下，某些模型层（如Dropout层）的行为会发生变化。

model.eval()

4. 使用模型进行推断：现在，模型已经成功加载到PyTorch中，我们可以使用它进行推断。将输入数据传递给模型的forward()函数，以获得预测的输出结果。

# 输入数据
input_data = torch.randn(1, 3, 32, 32)

# 使用模型进行推断
output = model(input_data)

下面是一个完整的加载预训练模型的例子：

import torch
import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc = nn.Linear(100, 10)

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

# 实例化模型
model = MyModel()

# 加载预训练模型的参数
model.load_state_dict(torch.load('pretrained_model.pth'))

# 切换到评估模式
model.eval()

# 输入数据
input_data = torch.randn(1, 100)

# 使用模型进行推断
output = model(input_data)

请确保预训练模型的结构与你定义的模型结构相同，否则加载参数时可能会出现错误。另外，要确保输入数据的形状与预训练模型期望的输入数据的形状匹配，以获得正确的输出结果。