### PyTorch中保存完整模型与仅保存模型权重的区别 在PyTorch中，保存模型的方式有两种主要形式：一种是保存完整的模型对象，另一种是仅保存模型的状态字典（`state_dict`）。这两种方法各有优劣，在不同的使用场景下具有各自的优势。 #### 1. **保存完整模型** 当保存整个模型时，实际上是将模型的结构以及所有的参数都序列化并存储下来。这种方式的优点在于简单易用，加载后可以直接使用而无需重新定义模型结构[^2]。 - **优点** - 不需要再次定义模型架构即可完成加载操作。 - 更适合快速原型设计或者简单的项目开发环境。 - **缺点** - 序列化的文件较大，因为包含了模型的全部信息，包括一些不必要的属性或中间变量。 - 如果模型依赖于特定版本的PyTorch或其他外部库，则可能面临兼容性问题。 以下是保存和加载完整模型的一个例子： ```python import torch import torch.nn as nn # 定义一个简单的神经网络 net = nn.Sequential( nn.Linear(128, 16), nn.ReLU(), nn.Linear(16, 1) ) # 保存整个模型 torch.save(net, 'full_model.pt') # 加载整个模型 loaded_model = torch.load('full_model.pt') print(loaded_model) ``` --- #### 2. **仅保存模型权重 (`state_dict`)** 通过保存 `state_dict` 的方式，只记录了模型中的可学习参数（如权重和偏置），而不涉及具体的模型结构。这意味着如果想要恢复该模型，必须先手动重建相同的模型架构再加载这些参数[^3]。 - **优点** - 文件体积更小，因为它仅仅包含必要的数据——即各层对应的参数矩阵。 - 提供更高的灵活性；即使未来更改了一些实现细节也不会影响已有的预训练成果。 - 避免因不同框架版本之间差异带来的潜在风险。 - **缺点** - 使用前需重现原始模型的设计蓝图才能成功导入权值向量。 下面展示如何单独处理状态字典的操作流程： ```python import torch import torch.nn as nn # 构建同样的线性回归器实例 model = nn.Sequential( nn.Linear(128, 16), nn.ReLU(), nn.Linear(16, 1) ) # 只保留参数部分至硬盘上 torch.save(model.state_dict(), 'weights_only.pth') # 新建相同配置的新实体来承接旧版数值 new_model = nn.Sequential( nn.Linear(128, 16), nn.ReLU(), nn.Linear(16, 1) ).eval() # 切换评估模式以防BN/Dropout干扰 # 将先前储存的数据注入进来同步更新内部成员变量 new_model.load_state_dict(torch.load('weights_only.pth')) ``` --- ### 总结对比表 | 特性 | 保存完整模型 | 仅保存模型权重 | |-------------------|------------------------------------|----------------------------------| | 数据大小 | 较大 | 较小 | | 是否需要重构模型 | 否 | 是 | | 易用程度 | 方便快捷 | 稍显复杂 | | 跨平台/跨版本支持 | 存在一定局限 | 表现更好 | 通常情况下，推荐优先采用第二种方案—即单纯提取出`state_dict`来进行持久化管理，除非特殊需求才考虑前者那种全盘复制的做法[^4]。