### 加载预训练模型的方法 在Python项目中加载预训练模型通常依赖于所使用的深度学习框架。以下是几种常见框架的加载方法和示例代码。 #### PyTorch 框架 PyTorch 提供了简单的方式来保存和加载整个模型对象，包括其架构和参数。使用 `torch.save()` 保存模型，并通过 `torch.load()` 加载模型[^1]。 ```python import torch # 加载模型 loaded_model = torch.load('model.pth') ``` #### Hugging Face Transformers 库 Hugging Face 的 Transformers 库支持加载多语言预训练模型。首先需要安装必要的依赖库，然后可以直接加载预训练模型[^2]。 ```python from transformers import AutoTokenizer, AutoModel # 加载预训练模型及其对应的分词器 tokenizer = AutoTokenizer.from_pretrained("bert-base-multilingual-cased") model = AutoModel.from_pretrained("bert-base-multilingual-cased") ``` #### TensorFlow/Keras 框架 TensorFlow 和 Keras 支持多种方式加载预训练模型。如果模型已经经过量化处理，可以加载量化后的模型文件[^3]。 ```python import tensorflow as tf # 加载普通模型 model = tf.keras.models.load_model('model.h5') # 加载量化后的模型 quantized_model = tf.keras.models.load_model('quantized_model.h5') ``` #### TVM 框架 TVM 是一个用于优化和部署深度学习模型的编译器。它可以通过加载预处理后的图片数据来运行预训练模型[^4]。 ```python from tvm.contrib.graph_executor import GraphModule import tvm # 加载 TVM 编译后的模型 lib = tvm.runtime.load_module("compiled_model.tar") dev = tvm.cuda(0) # 或者 tvm.cpu(0) module = GraphModule(lib["default"](dev)) # 设置输入并运行模型 input_data = ... # 输入数据 module.set_input("input_0", input_data) module.run() output = module.get_output(0).asnumpy() ``` ### 总结 不同的深度学习框架提供了各自的加载预训练模型的方式。PyTorch 使用 `torch.load()` 方法，Hugging Face Transformers 提供了直接加载预训练模型的功能，TensorFlow/Keras 支持加载 `.h5` 格式的模型文件，而 TVM 则需要加载经过编译的模型文件并设置输入数据。