Torch.load()

torch.load()的作用：从文件加载用torch.save()保存的对象。

api：

函数格式为：torch.load(f, map_location=None, pickle_module=pickle, **pickle_load_args)，一般我们使用的时候，基本只使用前两个参数。

参数：

• f： 类似文件的对象(必须实现read()，:meth ' readline '，:meth ' tell '和:meth ' seek ')，或者是包含文件的字符串。

• map_location： 函数、torch.device或者字典指明如何重新映射存储位置。

• pickle_module ： 用于unpickling元数据和对象的模块(必须匹配用于序列化文件的pickle_module)。

• pickle_load_args： 传递给pickle_module.load()和pickle_module.Unpickler()的可选关键字参数。

模型的保存

• 模型保存有两种形式，一种是保存模型的state_dict()，只是保存模型的参数。那么加载时需要先创建一个模型的实例model，之后通过torch.load()将保存的模型参数加载进来，得到dict，再通过model.load_state_dict(dict)将模型的参数更新。

• 另一种是将整个模型保存下来，之后加载的时候只需要通过torch.load()将模型加载，即可返回一个加载好的模型。

具体可参考：PyTorch模型的保存与加载：https://blog.csdn.net/qq_52852138/article/details/123339337?spm=1001.2014.3001.5502

使用

默认加载方式，使用cpu加载cpu训练得出的模型或者用gpu调用gpu训练的模型：

torch.load('tensors.pt')

将全部Tensor全部加载到cpu上：

torch.load('tensors.pt', map_location=torch.device('cpu'))

使用函数将所有张量加载到CPU（适用在GPU训练的模型在CPU上加载）：

torch.load('tensors.pt', map_location=lambda storage, loc: storage)

将所有张量加载到第一块GPU(在CPU训练在GPU加载)：

torch.load('tensors.pt', map_location=lambda storage, loc: storage.cuda(1))

将张量从GPU 1映射到GPU 0(第一块GPU训练，第二块GPU加载)：

torch.load('tensors.pt', map_location={'cuda:1':'cuda:0'})

根据你的设备，将张量加载到你当前设备上：

torch.load('modelparameters.pth', map_location = device)