本文共 1217 字，大约阅读时间需要 4 分钟。

PyTorch 模型保存、加载与评估指南

PyTorch 是一个强大的机器学习框架，它支持动态计算图，灵活的定义模型。掌握了模型的保存、加载和评估功能，可以更高效地训练、优化并部署模型。本文将详细介绍如何在 PyTorch 中进行模型的存储、恢复以及评估过程。

模型保存

在训练过程中，模型的参数可能会持续被更新，这使得我们需要定期保存模型以防止训练中断或丢失进步。PyTorch 提供了 torch.save() 函数，可以将模型的状态字典保存为 .pth 文件。以下是一个常用的保存代码示例：

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

第一个参数是 model.state_dict()，它返回模型当前状态中的所有参数和缓冲区数据。第二个参数是一个文件路径，指定了保存的位置和文件名。你可以根据具体需求调整这个路径和文件名。

模型恢复

在需要使用预训练模型或者恢复训练中断后的模型时，我们需要使用 torch.load() 函数来加载保存的模型状态。示例代码如下：

model = YourDefinedModelClass()model.load_state_dict(torch.load('model.pth'))

第一个命令实例化了你定义的模型类。第二个命令从文件 model.pth 中加载模型的状态字典，并将其赋值给当前模型实例。注意，加载模型的状态字典后，通常需要调用 torch.no_grad() 来防止梯度计算，特别是在已经定义好了模型参数的情况下。也可以在加载之前移除数据加载器的缓冲层。

模型评估

在完成模型的训练任务后，为了评估模型的性能，通常需要在测试集上进行 inference。PyTorch 提供了 torch.eval() 函数，用于在 inference 时关闭梯度计算，以加快速度。以下是一个简单的评估代码示例：

model.eval()output = model(input)

在这个示例中，input 是测试集的数据，output 则是模型对输入数据的预测结果。为了衡量模型的性能，可以计算预测结果与真实标签之间的损失函数值，例如使用交叉熵损失函数。当然，具体的评估指标需要根据任务需求有所调整。

其他注意事项

通过以上方法，你可以灵活地管理和使用 PyTorch 模型，便于模型的迭代训练和部署应用。

转载地址：http://kpipz.baihongyu.com/