使用torch.utils.serialization保存和加载模型参数

在PyTorch中，可以使用torch.utils.serialization模块保存和加载模型参数。这个模块提供了两个主要的函数：save()和load()。

首先，我们来看一下如何使用save()函数保存模型参数。假设我们有一个已经训练好的模型，并希望将其保存为一个文件。可以使用下面的代码来实现：

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

# 创建一个简单的模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(10, 2)

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

model = Net()

# 保存模型参数
serialization.save(model.state_dict(), 'model.pth')

在这个例子中，我们首先定义了一个简单的神经网络模型Net，然后创建了一个实例model。然后，我们使用save()函数将模型参数保存到一个名为model.pth的文件中。保存的模型参数是通过model.state_dict()方法得到的。

接下来，我们来看一下如何使用load()函数加载保存的模型参数。可以使用下面的代码来实现：

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

# 创建一个与保存模型参数相同结构的模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(10, 2)

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

model = Net()

# 加载模型参数
model.load_state_dict(serialization.load('model.pth'))

在这个例子中，我们创建了一个与保存模型参数相同结构的模型。然后，使用load()函数加载保存的模型参数，并使用load_state_dict()方法将加载的参数赋值给模型。

需要注意的是，在加载模型参数之前，我们需要先创建一个与保存的模型相同结构的模型。这是因为PyTorch需要知道模型的结构才能正确加载参数。

总结一下，使用torch.utils.serialization模块保存和加载模型参数可以通过save()和load()函数实现。保存模型参数时，可以使用model.state_dict()方法获取模型参数并保存到文件中。加载模型参数时，需要先创建一个与保存的模型相同结构的模型，然后使用load()函数加载模型参数，并使用load_state_dict()方法将加载的参数赋值给模型。