1、模型保存和加载

         主要有两种情况：一是仅保存参数，二是保存参数及模型结构。

保存参数：

         torch.save(net.state_dict())

加载参数（加载参数前需要先实例化模型）：

         param = torch.load('param.pth')

         net.load_state_dict(param)

保存模型结构和参数：

         torch.save(net)

加载模型：

         net = torch.load('model.pt')

2、解析模型权重文件

         当加载某个模型文件后，如果需要查看模型中的算子和参数，可以将模型解析为字典，然后逐一打印。

以lent5为例，将lenet5模型保存为权重文件，然后重新加载权重文件并解析其中每一层的参数。

参考代码：

def pytorch_params(pth_file):par_dict = torch.load(pth_file, map_location='cpu')for name in par_dict:parameter = par_dict[name]print(name, parameter.numpy().shape)

        以上代码是加载的权重文件，文件只有参数，没有模型结构，如果加载的是包含模型结构的权重文件，可以做如下修改：

def pytorch_params(pt_file):net = torch.load(pt_file, map_location='cpu')par_dict = net.state_dict()for name in par_dict:parameter = par_dict[name]print(name, parameter.numpy().shape)

解析结果：

3、加载自定义参数

        某些情况下可能需要对某个算子进行单独调试，如加载特定参数进行推理计算，用来确定输出结果符合预期。以Conv2d算子为例进行测试，首先设定卷积层输入为3，输出为3，卷积核为3*3，偏置bias为False。通过numpy随机一个3*3*3*3的矩阵作为自定义参数，将参数转换为Tensor以后，添加到dict中，然后通过load_state_dict将参数加载进网络。

参考脚本：

 

import torch
import torch.nn as nn
import numpy as np
net = nn.Conv2d(3, 3, kernel_size=(3, 3), padding=1, bias=False)
param = np.random.random((3, 3, 3, 3))
param = param.astype(np.float32)
torch_param = {'weight': torch.Tensor(param)}
net.load_state_dict(torch_param)
net.eval()
data = np.random.random((1, 3, 16, 16))
data = data.astype(np.float32)
result = net(torch.Tensor(data))
print(result)