模型網絡文件是深度學習模型的存儲形式，保存了模型的架構、參數等信息。

讀寫模型網絡文件是深度學習流程中的關鍵環節，方便模型的訓練、測試、部署與共享。

1. 主流框架讀寫方法

（一）TensorFlow

• 保存模型

  • 可以使用 tf.saved_model.save 方法保存整個模型，包括架構、參數、編譯信息等。例如： model.save('model_dir', save_format='tf')，將模型保存在文件夾 'model_dir' 中。

• 加載模型

  • 使用 tf.keras.models.load_model 加載保存的模型。如：loaded_model = tf.keras.models.load_model('model_dir')，即可加載之前保存的模型進行預測、繼續訓練等操作。

（二）PyTorch

使用 torch.save 和 torch.load 來保存和加載 張量。

• 保存模型

  • 通常有兩種方式：一種是保存整個模型對象，使用 torch.save(model, 'model.pth')，將模型結構和參數都保存下來。另一種是僅保存模型的參數狀態字典，即 torch.save(model.state_dict(), 'model_state_dict.pth')，這種方式更常見，因為當模型架構修改時，只要能正確加載參數，就無需重新訓練整個模型。

• 加載模型

  • 對于保存整個模型的情況，直接使用 model = torch.load('model.pth')。對于僅保存參數的情況，先定義好模型架構，再用 model.load_state_dict(torch.load('model_state_dict.pth')) 加載參數，使模型具備相應的能力。

對于深度學習模型而言，通常只需保存其權重參數即可滿足需求。在 PyTorch 框架中，可以使用 torch.save()?函數來保存網絡的 state_dict?參數，這是保存模型權重的一種高效方式。

而在加載模型權重時，可以借助網絡的 load_state_dict() 方法，搭配 torch.load()?函數來實現對網絡參數的讀取，從而恢復模型的訓練狀態和性能表現。

2. 模型保存示例

torch.save(model.state_dict(), path)只保存“參數”（一個純字典），文件小、加載靈活。

torch.save(model.state_dict(), "best_model.pt")

1. 加載時必須先重新建網絡，再把參數填進去：

new_model = MyNet()                      # 重新建圖
new_model.load_state_dict(torch.load("best_model.pt"))
new_model.eval()                         # 記得切到推理模式

2. 優點

• 文件 ≈ 僅參數大小，磁盤占用小
• 不關心原始類定義，跨代碼版本更穩

3. 缺點

????????需要手動重建網絡結構才能用

torch.save(model, path)：把整個模型（結構+參數）序列化為一個 Pickle 對象，一步到位。

torch.save(model, "full_model.pt")

1. 加載極其簡單：

model = torch.load("full_model.pt")      # 結構+參數全回來
model.eval()

2. 優點

????????一行代碼即可復現模型，適合快速分享、斷點繼續訓練

3. 缺點

• Pickle 會硬編碼類定義路徑，代碼位置/類名一變就加載失敗

• 文件更大（含結構+參數）

選用建議

• 生產/長期維護 → 用 state_dict（穩妥、小、可遷移）。

• 臨時 checkpoint / 本地快速實驗 → 用 完整模型（省事）。