CentOS上PyTorch模型的保存与加载

在CentOS系统上，使用PyTorch保存和加载模型主要涉及到以下几个步骤：

保存模型

1. 训练模型：
   在训练过程中，你可以定期保存模型的状态字典（state_dict）。

   import torch
   import torch.nn as nn
   
   # 假设你有一个模型类 MyModel
   class MyModel(nn.Module):
       def __init__(self):
           super(MyModel, self).__init__()
           # 定义模型层
   
       def forward(self, x):
           # 定义前向传播
           return x
   
   model = MyModel()
   optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
   
   # 训练循环
   for epoch in range(num_epochs):
       # 训练代码...
       # ...
   
       # 每隔一定epoch保存模型
       if (epoch + 1) % save_interval == 0:
           torch.save(model.state_dict(), f'model_epoch_{epoch + 1}.pth')
   

2. 保存整个模型：
   如果你想保存整个模型（包括模型架构和状态字典），可以使用torch.save直接保存模型对象。

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

加载模型

1. 加载模型状态字典：
   当你需要加载之前保存的模型状态字典时，可以使用load_state_dict方法。

   model = MyModel()  # 创建一个新的模型实例
   model.load_state_dict(torch.load('model_epoch_10.pth'))
   model.eval()  # 设置模型为评估模式
   

2. 加载整个模型：
   如果你之前保存了整个模型，可以直接加载。

   model = torch.load('model.pth')
   model.eval()  # 设置模型为评估模式
   

注意事项

• 设备兼容性：如果你在GPU上训练模型，但在CPU上加载模型，需要将模型移动到CPU上。

  model = torch.load('model.pth', map_location=torch.device('cpu'))
  

• 版本兼容性：确保保存和加载模型的PyTorch版本一致，否则可能会出现兼容性问题。

• 安全性：从不可信来源加载模型时要小心，因为这可能会导致安全问题。

通过以上步骤，你可以在CentOS系统上轻松地保存和加载PyTorch模型。