PyTorch中torch.utils.serialization的工具函数及其用法介绍

在PyTorch中，torch.utils.serialization模块提供了一些用于序列化和反序列化PyTorch模型对象的工具函数。这些函数可以帮助我们将PyTorch模型保存到磁盘并读取回来，以便我们可以在不同的会话或计算机上加载和使用这些模型。

主要的工具函数及其用法如下：

1. torch.save(obj, f, pickle_module=<module 'pickle' from '...'>, pickle_protocol=2)

- 以Python pickle的格式将对象保存到磁盘文件。

- 参数：

- obj：要保存的对象。

- f：要保存到的文件路径或文件对象。

- pickle_module：用于进行序列化的pickle模块。默认为标准pickle模块。

- pickle_protocol：用于pickle协议的版本。默认为2，表示Python 2的默认协议。

2. torch.load(f, map_location=None, pickle_module=<module 'pickle' from '...'>)

- 从磁盘文件加载序列化的对象。

- 参数：

- f：要加载的文件路径或文件对象。

- map_location：可以是字符串、torch.device对象或函数，用于映射存储的设备位置到目标设备位置。默认为None，表示加载到原始设备。

- pickle_module：用于进行反序列化的pickle模块。默认为标准pickle模块。

下面是一个使用例子，展示如何保存和加载一个PyTorch模型：

import torch
import torch.nn as nn
from torch.utils.serialization import save, load

# 定义一个简单的神经网络模型
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.fc = nn.Linear(10, 1)

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

# 创建模型对象
model = SimpleModel()

# 保存模型到磁盘
save(model, 'model.pt')

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

# 使用加载的模型进行推理
input = torch.randn(1, 10)
output = loaded_model(input)
print(output)

在上面的例子中，我们首先定义了一个简单的神经网络模型SimpleModel，然后创建了一个实例model。接下来，我们使用save函数将模型保存到名为model.pt的磁盘文件。最后，我们使用load函数加载模型，并使用加载的模型进行推理。

需要注意的是，模型参数默认保存在CPU上。如果要在GPU上加载模型，可以在加载时设置map_location参数为对应的GPU设备。