使用torch.utils.serialization保存和加载经过训练的PyTorch模型

在PyTorch中，可以使用torch.utils.serialization模块的save和load函数来保存和加载经过训练的模型。

首先，我们需要定义一个模型并进行训练。以下是一个简单的例子，演示了如何使用保存和加载函数来保存和加载一个经过训练的模型。

import torch
import torch.nn as nn
import torch.optim as optim
import torch.utils.serialization as serialization

# 定义一个简单的全连接神经网络
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc = nn.Linear(10, 1)

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

# 创建模型实例
model = SimpleNet()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 创建一些训练样本
input_data = torch.randn(10)
target = torch.randn(1)

# 训练模型
for epoch in range(100):
    optimizer.zero_grad()
    output = model(input_data)
    loss = criterion(output, target)
    loss.backward()
    optimizer.step()

# 保存模型
serialization.save(model.state_dict(), 'model.pt')

# 加载模型
loaded_model_state_dict = serialization.load('model.pt')
loaded_model = SimpleNet()
loaded_model.load_state_dict(loaded_model_state_dict)

在上述代码中，我们首先定义一个简单的全连接神经网络模型SimpleNet。然后，我们使用模型进行训练，训练过程中使用optimizer来优化模型的参数。训练完成后，我们使用serialization.save函数将模型的参数保存到文件model.pt中。

接下来，我们使用serialization.load函数从文件model.pt中加载模型的参数。然后，我们创建一个新的模型实例loaded_model，并使用loaded_model.load_state_dict函数将加载的参数加载到这个新的模型实例中。

最后，我们就可以使用新的加载的模型loaded_model进行预测或进一步的训练了。

需要注意的是，保存和加载的模型参数是model.state_dict()，而不是整个模型本身。所以在加载模型时需要创建一个新的同样结构的模型实例，并使用load_state_dict函数加载参数。

以上就是使用torch.utils.serialization模块保存和加载经过训练的PyTorch模型的方法，你可以根据自己的需求进行相应的调整和扩展。