北京互联网公司聚集地上海百度推广优化公司

本文演示了PyTorch中张量（Tensor）和模型参数的保存与加载方法，并提供完整的代码示例及输出结果，帮助读者快速掌握数据持久化的核心操作。

---

1. 保存和加载单个张量

通过torch.save和torch.load可以直接保存和读取张量。

import torch# 创建并保存张量
x = torch.arange(4)
torch.save(x, 'x-file')# 加载张量
x2 = torch.load('x-file')
print(x2)  # 输出：tensor([0, 1, 2, 3])

输出结果：

tensor([0, 1, 2, 3])

2. 保存和加载张量列表

可以将多个张量存储为列表，并一次性加载。

# 创建两个张量并保存为列表
y = torch.zeros(4)
torch.save([x, y], 'x-files')# 加载列表
x2, y2 = torch.load('x-files')
print((x2, y2))

输出结果：

(tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.]))

3. 保存和加载字典

通过字典可以更灵活地管理多个张量。

# 创建字典并保存
mydict = {'x': x, 'y': y}
torch.save(mydict, 'mydict')# 加载字典
mydict2 = torch.load('mydict')
print(mydict2)

输出结果：

{'x': tensor([0, 1, 2, 3]), 'y': tensor([0., 0., 0., 0.])}

4. 定义神经网络模型

以下是一个简单的全连接神经网络示例：

from torch import nn
from torch.nn import functional as Fclass Model(nn.Module):def __init__(self):super().__init__()self.hidden = nn.Linear(20, 256)  # 隐藏层self.output = nn.Linear(256, 10)   # 输出层def forward(self, x):return self.output(F.relu(self.hidden(x)))# 实例化模型并进行前向传播
net = Model()
x = torch.rand(size=(2, 20))
y = net(x)
print(y)

输出结果（因随机初始化可能不同）：

tensor([[-0.0711, 0.1161, -0.1113, ..., 0.0787],[-0.0151, 0.0275, -0.1652, ..., 0.0109]], grad_fn=<AddmmBackward0>)

5. 保存模型参数

使用state_dict保存模型参数：

torch.save(net.state_dict(), 'net.params')

6. 加载模型参数并验证

加载参数到新模型实例，并验证一致性：

# 创建新模型并加载参数
clone = Model()
clone.load_state_dict(torch.load('net.params'))
clone.eval()  # 设置为评估模式（关闭Dropout/BatchNorm等）# 比较输出结果
Y_clone = clone(x)
print(Y_clone == y)

输出结果：

tensor([[True, True, ..., True],[True, True, ..., True]])

总结

1. 张量读写：直接使用torch.save和torch.load，支持列表和字典。

2. 模型参数保存：通过state_dict保存模型状态，加载时需重新实例化模型。

3. 验证一致性：加载参数后，输出与原模型一致表明操作成功。

通过本文的代码示例，读者可以快速掌握PyTorch中数据和模型参数的持久化方法，为模型训练和部署提供便利。