pytorch api文档：torch.load()函数-加载整个模型、模型状态字典（可训练参数）

作者：马育民 • • 阅读：10099

介绍

PyTorch 中torch.load()的用法，这个函数是 PyTorch 中加载模型、张量、字典等序列化文件的核心方法，常和torch.save()配合使用，支持加载.pth/.pt格式的文件。

作用

读取torch.save()保存的文件，还原为原本的 PyTorch 对象（张量、模型、字典等）

语法

torch.load(f, map_location=None, pickle_module=pickle, weights_only=False, **kwargs)

参数解释

map_location和weights_only是日常使用中最常用的：

  1. f：必选参数，文件路径（字符串/路径对象）或已打开的文件流，比如"model.pth"。
  2. map_location：指定加载数据的设备（CPU/GPU），解决「保存时用GPU，加载时用CPU/其他GPU」的设备不匹配问题，核心用法：
    • 加载到CPU（最常用，跨设备兼容）：map_location="cpu"
    • 加载到指定GPU（比如GPU 0）：map_location="cuda:0"
    • 动态适配（有GPU用GPU，无则用CPU）：map_location=torch.device("cuda" if torch.cuda.is_available() else "cpu")
  3. weights_only：安全参数，建议设置为True（PyTorch 1.13+支持），限制仅加载张量/参数，禁止加载任意Python对象，避免恶意文件的代码注入风险，生产环境/第三方文件加载必须开启。
  4. pickle_module：底层序列化模块，默认用Python的pickle，一般无需修改。

简单例子

先通过torch.save()保存对象，再用torch.load()加载，形成完整流程：

# 1. 保存张量
x = torch.tensor([1,2,3])
torch.save(x, "tensor.pth")
# 加载张量
x_load = torch.load("tensor.pth")
print(x_load)  # tensor([1, 2, 3])

# 2. 保存字典（最常用，比如同时保存模型参数、优化器参数、训练轮数）
checkpoint = {
    "model_state_dict": model.state_dict(),  # 模型参数
    "optimizer_state_dict": optimizer.state_dict(),  # 优化器参数
    "epoch": 100,  # 训练到第100轮
    "loss": 0.01  # 最终损失
}
torch.save(checkpoint, "checkpoint.pth")
# 加载字典
ckpt = torch.load("checkpoint.pth")
print(ckpt["epoch"])  # 100

应用场景

这是torch.load()最核心的使用场景，分加载完整模型和加载模型参数（推荐）两种，后者更灵活（解耦模型结构和参数），是工业界标准做法。

场景1：加载模型参数（推荐）

步骤：先定义模型结构 → 加载保存的参数字典 → 将参数加载到模型中

import torch
import torch.nn as nn

# 1. 先定义和保存时完全一致的模型结构
class MyModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(3, 1)
    def forward(self, x):
        return self.linear(x)

model = MyModel()  # 初始化模型（空参数）
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)  # 初始化优化器

# 2. 加载检查点（字典），指定设备+开启安全模式
ckpt = torch.load(
    "checkpoint.pth",
    map_location=torch.device("cuda" if torch.cuda.is_available() else "cpu"),
    weights_only=True  # 安全加载
)

# 3. 将参数加载到模型和优化器中（断点续训关键）
model.load_state_dict(ckpt["model_state_dict"])  # 加载模型参数
optimizer.load_state_dict(ckpt["optimizer_state_dict"])  # 加载优化器参数
start_epoch = ckpt["epoch"] + 1  # 从下一轮开始训练
best_loss = ckpt["loss"]  # 加载历史最优损失

# 4. 模型启用（训练/推理）
model.train()  # 训练模式
# model.eval()  # 推理/测试模式

场景2：加载完整模型（不推荐，灵活性差）

如果保存时直接保存了整个模型对象（torch.save(model, "full_model.pth")），可直接加载，但缺点是模型结构和文件强绑定，修改模型代码后无法加载，仅适合快速测试：

model = torch.load(
    "full_model.pth",
    map_location="cpu",
    weights_only=True
)
model.eval()  # 推理前必须切换为评估模式

注意（避坑重点）

  1. 设备匹配问题：如果保存时用GPU（张量/模型在cuda上），直接在CPU环境加载会报错，必须通过map_location指定设备，这是新手最常踩的坑。
    ✅ 正确做法：加载时统一指定map_location，跨设备兼容。
  2. 安全问题：加载非自己保存的文件时，必须设置weights_only=True，禁止加载未知文件的任意Python对象，防止恶意代码执行。
  3. 模型结构一致：加载state_dict（模型参数）时，定义的模型结构必须和保存时完全一致（层的名称、维度、数量不能变），否则会报key mismatch错误。
    • 解决小修改的兼容问题：加载时用model.load_state_dict(ckpt["model_state_dict"], strict=False)，忽略不匹配的层（谨慎使用）。
  4. PyTorch版本兼容：高版本PyTorch保存的文件，低版本可能无法加载，建议保持训练和部署的PyTorch版本一致（至少大版本一致，如2.0+）。
  5. 文件路径问题：确保加载的文件路径正确，相对路径以当前运行脚本的目录为基准，绝对路径更稳妥。

拓展：加载多个对象/自定义对象

如果torch.save()保存了元组/列表等多个对象，torch.load()会还原为对应结构，直接解包即可：

# 保存多个对象
a = torch.tensor([1,2])
b = torch.tensor([3,4])
torch.save((a, b), "two_tensors.pth")

# 加载并解包
a_load, b_load = torch.load("two_tensors.pth", weights_only=True)
print(a_load, b_load)  # tensor([1, 2]) tensor([3, 4])

如果保存了自定义类/对象，加载时必须保证当前环境中有该类的定义（否则会报AttributeError）。

总结

torch.load()是PyTorch序列化加载的核心，核心要点记3个：

  1. 核心搭配：和torch.save()配合，主要加载.pth/.pt文件，支持张量、模型、字典等所有PyTorch对象；
  2. 必设参数：生产环境/日常使用建议指定map_location（设备兼容）+weights_only=True（安全加载）；
  3. 主流用法：加载模型时优先用「定义结构+加载state_dict」的方式，而非直接加载完整模型，灵活性和解耦性更强。

附加载模型的万能模板：直接复制修改模型结构和文件路径，即可适配99%的场景。

原文出处：/show_1GW2gdrxR5YJ.html

吉ICP备15003043号