---

1. 推理用: 保存 & 加載權重 (最常見)

import torch
import torch.nn as nnmodel = nn.Linear(10, 2)# 保存權重
torch.save(model.state_dict(), "model.pt")# 加載權重 (推理/評估)
model2 = nn.Linear(10, 2)
state = torch.load("model.pt", map_location="cpu")
model2.load_state_dict(state)
model2.eval()   # 推理時別忘了

2. 繼續訓練用: 保存 & 加載完整狀態

# ===== 保存 =====
torch.save({"epoch": epoch,"model": model.state_dict(),"optimizer": optimizer.state_dict(),"scheduler": scheduler.state_dict(),
}, "ckpt.pt")# ===== 加載 =====
ckpt = torch.load("ckpt.pt", map_location="cpu")
model.load_state_dict(ckpt["model"])
optimizer.load_state_dict(ckpt["optimizer"])
scheduler.load_state_dict(ckpt["scheduler"])
start_epoch = ckpt["epoch"] + 1
model.train()   # 繼續訓練前別忘了

3. 微調用: 部分加載 (分類頭不同等情況)

state = torch.load("pretrain.pt", map_location="cpu")
# 只加載匹配的層, 其余保持初始化
missing, unexpected = model.load_state_dict(state, strict=False)
print("未加載:", missing) 	 	# 模型需要，但 checkpoint 里沒有的
print("多余:", unexpected)  	# checkpoint 里有，但模型不需要的

---

? 速記

• 推理: 保存/加載 model.state_dict()
• 繼續訓練: 把 optimizer/scheduler 一并保存
• 微調: strict=False 部分加載
• 安全: map_location="cpu" 加載更通用
• 模式: 推理用 model.eval()，訓練用 model.train()