深度学习-读写模型网络文件

模型网络文件是深度学习模型的存储形式，保存了模型的架构、参数等信息。

读写模型网络文件是深度学习流程中的关键环节，方便模型的训练、测试、部署与共享。

1. 主流框架读写方法

（一）TensorFlow

• 保存模型

  • 可以使用 tf.saved_model.save 方法保存整个模型，包括架构、参数、编译信息等。例如： model.save('model_dir', save_format='tf')，将模型保存在文件夹 'model_dir' 中。

• 加载模型

  • 使用 tf.keras.models.load_model 加载保存的模型。如：loaded_model = tf.keras.models.load_model('model_dir')，即可加载之前保存的模型进行预测、继续训练等操作。

（二）PyTorch

使用 torch.save 和 torch.load 来保存和加载 张量。

• 保存模型

  • 通常有两种方式：一种是保存整个模型对象，使用 torch.save(model, 'model.pth')，将模型结构和参数都保存下来。另一种是仅保存模型的参数状态字典，即 torch.save(model.state_dict(), 'model_state_dict.pth')，这种方式更常见，因为当模型架构修改时，只要能正确加载参数，就无需重新训练整个模型。

• 加载模型

  • 对于保存整个模型的情况，直接使用 model = torch.load('model.pth')。对于仅保存参数的情况，先定义好模型架构，再用 model.load_state_dict(torch.load('model_state_dict.pth')) 加载参数，使模型具备相应的能力。

对于深度学习模型而言，通常只需保存其权重参数即可满足需求。在 PyTorch 框架中，可以使用 torch.save() 函数来保存网络的 state_dict 参数，这是保存模型权重的一种高效方式。

而在加载模型权重时，可以借助网络的 load_state_dict() 方法，搭配 torch.load() 函数来实现对网络参数的读取，从而恢复模型的训练状态和性能表现。

2. 模型保存示例

torch.save(model.state_dict(), path)只保存“参数”（一个纯字典），文件小、加载灵活。

torch.save(model.state_dict(), "best_model.pt")

1. 加载时必须先重新建网络，再把参数填进去：

new_model = MyNet()                      # 重新建图
new_model.load_state_dict(torch.load("best_model.pt"))
new_model.eval()                         # 记得切到推理模式

2. 优点

• 文件 ≈ 仅参数大小，磁盘占用小
• 不关心原始类定义，跨代码版本更稳

3. 缺点

        需要手动重建网络结构才能用

torch.save(model, path)：把整个模型（结构+参数）序列化为一个 Pickle 对象，一步到位。

torch.save(model, "full_model.pt")

1. 加载极其简单：

model = torch.load("full_model.pt")      # 结构+参数全回来
model.eval()

2. 优点

        一行代码即可复现模型，适合快速分享、断点继续训练

3. 缺点

• Pickle 会硬编码类定义路径，代码位置/类名一变就加载失败

• 文件更大（含结构+参数）

选用建议

• 生产/长期维护 → 用 state_dict（稳妥、小、可迁移）。

• 临时 checkpoint / 本地快速实验 → 用 完整模型（省事）。