在 PyTorch 中，保存和加载模型主要有两种方式。虽然都能达到目的，但它们在存储内容和使用便捷性上有着本质的区别。本文将结合实战代码，带你掌握这些核心技巧。
1. 方式一：保存整个网络模型结构与参数
这种方式最为直观，它会把模型的结构定义和权重参数全部打包保存到一个文件中。
代码实现：
Python
import torch import torchvision vgg16 = torchvision.models.vgg16(pretrained=False) # 保存方式一：保存模型结构+模型参数 torch.save(vgg16, "vgg16_method1.pth") # 加载方式一： model = torch.load("vgg16_method1.pth") print(model)- 优点：加载方便，一行代码搞定。
- 缺点：文件体积较大；存在“陷阱”（见下文）。
2. 方式二：只保存模型参数（官方推荐）
这种方式只保存模型中每个层的权重和偏置（即state_dict）。加载时需要先创建一个模型实例，再将参数“填”进去。
代码实现：
Python
# 保存方式二：将模型参数保存为字典格式（官方推荐，体积小） torch.save(vgg16.state_dict(), "vgg16_method2.pth") # 加载方式二： # 1. 必须先新建一个网络模型实例 vgg16_new = torchvision.models.vgg16(pretrained=False) # 2. 将保存的参数字典加载到模型中 vgg16_new.load_state_dict(torch.load("vgg16_method2.pth")) print(vgg16_new)- 优点：更安全、更节省空间，是工业界和官方推荐的标准做法。
3. 核心避坑指南：自定义模型的加载“陷阱”
文件特别提到了一个新手常犯的错误：当你用“方式一”加载自定义模型时，如果当前环境没有该模型的类定义，程序会报错。
错误场景：
如果你在A.py中定义并保存了模型，在B.py中直接torch.load，会提示AttributeError。
解决方案：
在加载代码前，必须确保模型类的定义是可访问的。
Python
import torch # 陷阱：必须把模型的定义复制过来，或者从其他文件 import 进来 class Tudui(torch.nn.Module): def __init__(self): super(Tudui, self).__init__() self.conv1 = torch.nn.Conv2d(3, 64, 3) def forward(self, x): return self.conv1(x) # 这样才能成功加载方式一保存的文件 model = torch.load("tudui_method1.pth") print(model)或者使用更优雅的导入方式：
Python
from model_save import * # 确保 Tudui 类被正确引入 model = torch.load("tudui_method1.pth")4. 总结：如何选择保存方式？
- 方式一：适合快速实验，想省去重新定义结构的麻烦（但要记住加载时引入类定义）。
- 方式二：适合生产环境，不仅体积小，且能更灵活地将参数加载到结构略有差异的模型中。
💡 学习小结
掌握了模型的保存与读取，你就真正拥有了“复用”训练成果的能力。无论是模型的版本控制，还是将模型部署到云端或移动端，这都是必经之路。
