Python中使用utils.load_model()函数加载自定义模型的步骤

要加载自定义模型，首先需要定义模型的结构和参数。然后将模型保存到文件中，最后使用utils.load_model()函数加载模型。

下面是一步步的例子：

1. 定义并训练模型

首先，我们需要定义一个简单的自定义模型。这里我们使用一个简单的线性回归模型作为例子：

import torch
import torch.nn as nn
import torch.optim as optim

class LinearRegression(nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()
        self.fc = nn.Linear(1, 1)

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

# 准备输入输出数据
inputs = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
outputs = torch.tensor([[2.0], [4.0], [6.0], [8.0]])

model = LinearRegression()
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    optimizer.zero_grad()
    preds = model(inputs)
    loss = criterion(preds, outputs)
    loss.backward()
    optimizer.step()

2. 保存模型到文件

保存模型到文件可以使用torch.save()函数。我们可以将模型的state_dict（包含模型的所有参数）保存到文件，以便在加载时使用。

torch.save(model.state_dict(), 'model.pth')

3. 加载模型

使用utils.load_model()函数加载模型。加载后，我们可以使用该模型进行预测。

from transformers import utils

model = LinearRegression()
model.load_state_dict(utils.load_model('model.pth'))

# 使用模型进行预测
inputs = torch.tensor([[5.0], [6.0], [7.0], [8.0]])
preds = model(inputs)
print(preds)

这样，我们就成功加载了自定义模型，并使用加载后的模型进行了预测。

总结起来，加载自定义模型的步骤为：

1. 定义并训练自定义模型。

2. 使用torch.save()函数保存模型的state_dict到文件。

3. 使用utils.load_model()函数加载模型。

4. 使用加载后的模型进行预测。