### Python 保存和加载训练好的模型到本地文件的方法 在机器学习和深度学习任务中，保存和加载训练好的模型是常见的需求。以下是几种主流方法的详细介绍： #### 方法一：使用 PyTorch 的 `.pth` 格式保存和加载模型 PyTorch 推荐使用 `.pth` 格式保存模型，它利用 Python 的 `pickle` 模块来序列化模型对象。这种方法能够较好地保存和加载模型的结构以及参数[^1]。 **保存模型**： ```python import torch # 假设 model 是训练好的模型 torch.save(model.state_dict(), 'model.pth') ``` **加载模型**： ```python # 初始化模型结构 model = TheModelClass(*args, **kwargs) model.load_state_dict(torch.load('model.pth')) model.eval() # 设置为评估模式 ``` 这种方法适用于需要完整保存和恢复模型训练状态（包括模型结构、参数、优化器等）的场景。 #### 方法二：使用 `pickle` 保存和加载通用 Python 对象 `pickle` 模块允许将 Python 对象保存为硬盘上的二进制文件，并可以在之后重新加载。这种方法不仅限于模型，还可以保存其他复杂的 Python 数据结构[^2]。 **保存模型**： ```python import pickle # 假设 model 是训练好的模型 with open('model.pkl', 'wb') as file: pickle.dump(model, file) ``` **加载模型**： ```python with open('model.pkl', 'rb') as file: loaded_model = pickle.load(file) ``` 需要注意的是，`pickle` 文件具有一定的安全隐患，不应加载不可信的文件[^2]。 #### 方法三：使用 `joblib` 保存和加载 Scikit-learn 模型 对于基于 Scikit-learn 的模型，`joblib` 是一个常用的选择。相比 `pickle`，`joblib` 更适合处理大型 NumPy 数组，因此在保存和加载 Scikit-learn 模型时性能更优[^3]。 **保存模型**： ```python from joblib import dump # 假设 model 是训练好的模型 dump(model, 'model.joblib') ``` **加载模型**： ```python from joblib import load loaded_model = load('model.joblib') ``` 这种方法特别适用于保存和加载包含复杂数据结构的 Scikit-learn 模型[^3]。 #### 方法四：加载量化大模型（如 Llama） 对于量化的大语言模型（LLM），通常会以特定格式（如 GGUF）存储模型权重。以下是一个加载本地量化模型的示例[^4]。 **加载模型**： ```python from llama_cpp import Llama # 指定本地模型路径 model_path = "./Mistral-7B-Instruct-v0.3-GGUF/Mistral-7B-Instruct-v0.3-Q4_K_M.gguf" # 加载模型 llm = Llama( model_path=model_path, n_gpu_layers=-1, # 使用 GPU 加速 verbose=False # 禁用详细日志输出 ) ``` 这种方法适用于加载预训练或量化的大型语言模型[^4]。 --- ### 注意事项 - 在保存模型时，确保文件路径有效且不会覆盖已有文件。 - 加载模型前，需确认模型文件的完整性和可信性。 - 不同框架的模型保存和加载方式可能有所不同，请根据具体框架选择合适的方法。 ---